TEMA1- DISTRIBUCIONES DE PROBABILIDAD FUNDAMENTALES.

Tras haber asimilado los temas anteriores sobre teora de la probabilidad (contenidos de Estadstica Empresarial I) se deben estudiar los modelos ms "oportunos". Esta oportunidad se debe a las hiptesis de fenmenos reales de inters y a las distribuciones de estadsticos (que se generarn en el muestreo). Por su enorme variedad un estudio detallado de todos los modelos usados sera demasiado amplio y requerira mucho ms tiempo del disponible.

1.0.-REPASO DE MODELOS.

1.0.1.- DISTRIBUCIN BINOMIAL. Se diferencia entre distribucin binomial (1,p) y distribucin binomial (n,p). Distribucin Binomial (1;p) o Distribucin de Bernouilli. Ejemplo. La distribucin B(1;p) es la distribucin de probabilidad discreta de los fenmenos aleatorios denominados dicotmicos como lanzar una moneda (interesa el nmero de caras obtenidas en ese lanzamiento) o como observar si un alumno supera una asignatura (interesa el nmero de aprobados para este caso nico o individual). Hiptesis. Fenmeno dicotmico (slo dos sucesos posibles incompatibles y excluyentes) se puede concretar en dos sucesos, S y S*; incompatibles, S S* = ; y cuya unin es el espacio muestral S U S*= E ya que abarca todas las posibilidades. Construccin. En el modelo, un suceso (elegido arbitrariamente), por ejemplo S, se denomina suceso favorable o suceso xito, se le asigna valor 1 (uno) en la variable aletoria (al otro suceso que es el complementario complementario se le asigna valor 0 ) y probabilidad p (al complementario probabilidad q con q=1-p): 1 0 si ocurre S P(x = 1) = p con . si no ocurre S P(x = 0) = q = 1 - p

x =

Se dice, entonces, que una variante x tiene distribucin de probabilidad binomial (1;p) si su funcin de cuanta es: P(x = x ) = p x q1- x con x = 0,1 . Esto significa que

P(x = 1) = p y P(x = 0) = q = 1 - p .
La esperanza de una variante x con distribucin binomial (1;p) es: E(x)= m = p. La varianza de una variante x con distribucin binomial (1;p) es: V(x) = s2 = pq. Este modelo uniparamtrico (un solo parmetro que es p ) se fija al evaluar el valor de p y es muy til dada la gran cantidad de fenmenos dicotmicos existentes y la posibilidad de obtener nuevos modelos en base a este tipo de fenmenos. EJEMPLO. Se demuestra como ejemplo la esperanza y la varianza de la distribucin binomial (1;p):
E (x) = x i P (x = x i ) = 1 p + 0 q = p

V(x) = E(x 2 ) - E(x) 2 = x i P(x = x i ) - E(x 2 ) = p - p 2 = p(1 - p) = pq .

2

EJEMPLO. Si en una urna hay 20 bolas blancas y 80 rojas, y se extrae una bola al azar, los dos nicos sucesos posibles son S1 = Salir bola blanca y S2 = Salir bola roja . Se verifica que P(S1) = 0,2 y P(S2) = 0,8 1 La variable aleatoria x = 0 si sale blanca si no sale blanca sigue una distribucin

binomial(1;0,2) o B(1;0,2). Su esperanza y su varianza se calculan fcilmente

E (x ) = p = 0,2

y V (x ) = pq = 0,2 0,8 = 0,16 .

Distribucin binomial (n;p). Ejemplo. La distribucin B(n,p) es la distribucin de probabilidad discreta que agrupa o suma fenmenos aleatorios dicotmicos independientes e iguales como lanzar diez veces una moneda (interesa el nmero de caras obtenidas en los diez lanzamientos)

o como observar cuntos alumnos de un grupo superan una asignatura (interesa el nmero de aprobados en el grupo). Hiptesis. Si se repite n veces un mismo experimento aleatorio dicotmico, siendo las repeticiones independientes y con la misma probabilidad asignada al suceso xito, entonces, la variable aleatoria x que representa el nmero de veces que sale el suceso denominado favorable o xito sigue una distribucin de probabilidad binomial(n;p). Construccin. La distribucin binomial (n;p) se obtiene como suma de n variables aleatorias independientes con distribucin de probabilidad binomial(1;p): x=x1+x2+...+ xn tiene distribucin de probabilidad binomial(n;p) si x1, x2,..., xn son n variables aleatorias independientes e iguales con distribucin binomial(1;p). Como consecuencia de lo anterior, una variable aleatoria x tiene distribucin de probabilidad binomial (n;p) si su funcin de cuanta es: n P( x = i ) = p i q n -i para i = 0, 1, ...,n. i Para evitar clculos tediosos, los valores de las probabilidades estn tabulados (hay tablas estadsticas con los valores de las probabilidades para diferentes combinaciones de parmetros) y se pueden obtener mediante sencillos habituales programas informticos (como hojas de clculo). La esperanza de una variante x con distribucin binomial (n;p) es: E(x)= m =n p. La varianza de una variante x con distribucin binomial (1;p) es: V(x) = s2 = npq. EJEMPLO. Se demuestra como ejemplo la esperanza y la varianza de la distribucin binomial (n;p): E(x)=m =E(x1+x2+...+ xn)= E(x1)+E(x2)+...+E(xn)= np V(x) = s 2 = V(x1+x2+...+ xn)= V(x1)+V(x2)+...+V(xn)= npq.

EJEMPLO.

Se analiza el fenmeno nmero de bolas blancas extradas si se realizan 10 extracciones con reemplazamiento de una urna que contiene 20 bolas blancas y 80 rojas. Se repite, por tanto, el mismo experimento n = 10 veces. El suceso que llamamos favorable es S1 = Salir bola blanca con probabilidad p = 0,2 = P(S1). La variable aleatoria x = N de bolas blancas de las 10 extracciones puede tomar con probabilidad diferente a cero slo los valores i=0,1, 2,...,10 y tiene distribucin de probabilidad binomial(10;0,2) o B(10;0,2), con funcin de cuanta: 10 P( x = i ) = 0 ,2 i 0 ,8 10 -i , i = 1, 2, 3,...,10. i La probabilidad, por ejemplo, de extraer exactamente 3 bolas blancas (o igualmente misma situacin, exactamente 7 bolas negras) ser: 10 10! P(x = 3) = 0,23 0,87 = 0,23 0,87 = 0,2013 . 3 3!7! Su esperanza y su varianza se calculan fcilmente

E (x ) = n p = 10 0,2 = 2

y V (x ) = n p q = 10 0,2 0,8 = 1,6 .

Este modelo biparamtrico (dos parmetros n y p ) se fija al evaluar el valor de los parmetros y es muy til porque construye una variable contador de sucesos xito sobre un grupo de fenmenos dicotmicos repetidos independientemente. La distribucin binomial (n;p) tiene la propiedad aditiva o reproductiva en el parmetro p, esto es, la suma de variables aleatorias independientes con distribucin binomial (ni;p) tambin tiene una distribucin binomial (mismo comn parmetro p, suma de los diferente parmetros ni).

1.0.2.- DISTRIBUCIN POISSON. Ejemplo. La distribucin Poisson ( ) o Ley de los Casos Raros es una distribucin de probabilidad discreta que puede agrupar muchos (infinitos en teora) fenmenos aleatorios dicotmicos independientes e iguales pero con probabilidad del suceso relevante o xito muy pequea, como observar cuntos alumnos de un grupo muy muy grande obtienen Matrcula de Honor con mxima calificacin en una asignatura difcil (interesa el nmero de Matrculas de Honor en este numeroso grupo). Hiptesis. Se puede determinar esta distribucin de Poisson (tambin denominada de los casos raros) como lmite de la distribucin binomial (n;p) si se plantea (partiendo de la distribucin binomial con sus hiptesis correspondientes) que el nmero de repeticiones del suceso dicotmico tiende a infinito (a nivel prctico u operativo ms de 100), la probabilidad del suceso xito tiende a cero (a nivel prctico u operativo menos de 0,05) y el producto de nmero de repeticiones por probabilidad del suceso xito es un valor real (a nivel prctico u operativo menor de 20). Construccin. As planteada, la distribucin Poisson de parmetro como suma de n (con n probabilidad binomial (1;p se obtiene

) variables aleatorias independientes con distribucin de 0) y siendo np valor real: x=x1+x2+...+ xn tiene

distribucin de probabilidad Poisson de parmetro = np si x1, x2,..., xn son n variables aleatorias independientes con distribucin binomial(1;p 0).

Como consecuencia de lo anterior, una variable aleatoria x tiene distribucin de probabilidad Poisson de parmetro si su funcin de cuanta es:

e - l li P(x = i ) = , para i = 0, 1, ... , . i!

Aunque en teora en la distribucin de probabilidad de Poisson la variante puede tomar (con probabilidad no cero) cualquier valor natural ms el cero (nunca valores negativos o no enteros), la forma de la funcin de cuanta indica que las probabilidades de que la variable tome valores cada vez mayores decrecen rpidamente. Esto confirma la tipologa de fenmenos que se adaptan o son representados por este modelo: fenmenos con sucesos que aun siendo posibles son muy poco probables, el fenmeno se tiene que repetir muchas veces para que se presenten (sucesos raros como siniestros, defectos en produccin en serie, partos mltiples, etc.).

Para evitar clculos tediosos, los valores de las probabilidades estn tabulados (hay tablas estadsticas con los valores de las probabilidades para diferentes valores del parmetro) y se pueden obtener mediante sencillos habituales programas informticos (como hojas de clculo). La esperanza de una variante x con distribucin Poisson ( ) es: E(x)= m = . La varianza de una variante x con distribucin Poisson ( ) es: V(x) = s2 = . A veces, esta coincidencia entre valor de esperanza y varianza puede ser un indicio ante un problema para reconocer un distribucin de Poisson. EJERCICIO. El encargado de una cadena de montaje sospecha que la probabilidad de que un da salgan r (r=0,1,2,3, ) artculos defectuosos sigue una distribucin con

esperanza y varianza igual a cuatro, ya que la probabilidad de que un artculo sea defectuoso es 0 004 y diariamente se producen 1.000 unidades. Bajo qu hiptesis se justificara la sospecha del encargado?. Probabilidad de que en un determinado da no haya artculos producidos defectuosos. Podra concluirse que se puede modelar con la ley de Poisson si se admite: que cada elemento o artculo producido respecto a tener defecto es un fenmeno dicotmico (con slo dos sucesos incompatible y disjuntos); si se plantea la agrupacin de todos los artculos producidos en el da y se cuentan los artculos defectuosos con una B(n,p) porque se supone suma, independencia e igual distribucin de la variante dicotmica agregada; y, finalmente, si se admite que la produccin diaria es suficientemente grande, que la probabilidad de que un artculo sea defectuoso es suficientemente pequea y el producto de numero por probabilidad es estable se llega a la ley de Poisson. Con = np=10000,4=4 se tiene P(x = i) =

e -4 4i , para i = 0, 1, ... , i!

P(x = 0) =

e -4 40 =0,018315. 0!

EJERCICIO PROPUESTO. Se contrata un seguro de vida para cada uno de los 20.000 deportistas federados de una regin. Es razonable esperar que la probabilidad de que cualquiera

de estos deportistas fallezca es el 0,001% para un ao. Determinar el nmero de indemnizaciones por muerte durante el ao que previsiblemente tendr que satisfacer la compaa de seguros y la probabilidad de que se produzcan dos o menos fallecimientos en el ao.

EJERCICIO PROPUESTO. El responsable de unos multicines sabe que el 0'5% de los espectadores pasan sin entrada. Si se revisa al azar a 1000 espectadores, cul es la probabilidad de que ms de tres hayan pasado sin entrada?. Si por fallos en la seguridad el 10% pasa sin entrada, tomando a 1000 espectadores, cul es la probabilidad de que menos de noventa hayan pasado sin entrada?.

Este modelo uniparamtrico (un parmetro

) proporciona una variable

contador de casos raros: sucesos xito muy poco probables o de muy baja posibilidad de acaecimiento sobre un grupo muy grande de fenmenos dicotmicos repetidos independientemente. La distribucin Poisson tiene la propiedad aditiva o reproductiva, esto es, la suma de variables aleatorias independientes con distribucin Poisson de parmetro tambin tiene una distribucin Poisson de parmetro parmetros =
1+ 2+...+ k). i

(suma de los diferente

EJERCICIO PROPUESTO. Un determinado pas est interesado en analizar el problema ecolgico que supone el vertido de la carga de los petroleros. Tras estudiar los informes tcnicos disponibles acepta las siguientes dos conclusiones. Primera, anualmente 1000 petroleros de doble casco realizan trayectos con carga y la probabilidad de vertido se estima en 0 0001. Segunda, anualmente un nmero muy alto (pero desconocido) de petroleros monocasco realizan trayectos con carga y la probabilidad de siniestro no se ha calculado, si se sabe que al ao hay, por trmino medio, 12 accidentes. 1.- Presentar y justificar un modelo que represente el nmero de vertidos anuales de buques de doble casco. Hallar el nmero esperado de vertidos anuales y la probabilidad de que no se produzca ningn vertido en un ao.

2.- Presentar y justificar un modelo que represente el nmero de vertidos anuales de buques monocasco. Hallar la probabilidad de que no se produzca ningn vertido en un ao y la probabilidad de que se produzcan menos de cinco vertidos. 3.- Presentar y justificar un modelo que represente el nmero de vertidos anuales de petroleros (tanto monocasco como de doble casco). Hallar el nmero esperado de vertidos anuales y la probabilidad de que se produzcan ms de diez vertidos en un ao.

1.0.3.- DISTRIBUCIN UNIFORME.

Ejemplo. La distribucin Uniforme (a,b) o U(a,b) es una distribucin de probabilidad continua que puede representar a fenmenos aleatorios sobre los que existe poca informacin y que presentan lmites entre sus posibles valores, como ventas de componentes en una semana, sabiendo slo que el nmero de ventas oscilar entre 10.000 y 20.000 unidades o como se emplea en la simulacin por ordenador de los valores de una variante con una distribucin determinada. Hiptesis. La distribucin uniforme surge a nivel ms operativo cuando se considera una variable aleatoria con infinitos o muchsimos valores intermedios, que toma valores en un intervalo finito delimitado y de manera equiposible o equiprobable. Construccin. Se dice que una variable aleatoria continua x tiene distribucin de probabilidad uniforme en el intervalo [a,b] con - <a<b<+ viene dada por: si su funcin de densidad

1 si a x b f ( x) = b - a . 0 resto
EJERCICIO PROPUESTO. Demostrar que la funcin anterior es funcin de densidad.

Se citan a continuacin algunas caractersticas relevantes.

0 si x < a x - a 1. Su funcin de distribucin es: F ( x ) = si a x b . b - a 1 si x > b

2. Su esperanza es: E (x ) =
a+b . 2

(b - a )2 . 3. Su varianza es: V (x ) =
12
Evidentemente, al ser una distribucin continua todas las probabilidades puntuales o P(x = x) son cero dado que las probabilidades se buscan en los intervalos.

No presenta la U(a,b) la propiedad aditiva. EJERCICIO PROPUESTO. Demostrar estas caractersticas.

EJERCICIO. Se considera un intervalo donde una variante se distribuye uniformemente con esperanza igual a ocho y varianza igual a nueve. Hallar funcin de densidad y la probabilidad de que la variante tome valores mayores a nueve. Se necesita conocer la funcin de densidad, para ello se aprovecha la informacin sobre valores de la esperanza y de la varianza.
a +b (b - a ) = 9 => a=2,804 y b=13,196. E (x ) = = 8 y V (x ) = 2 12
2

La funcin de densidad es

1 si 2,804 x 13,196 f ( x) = 10,392 0 resto

13 ,196

La probabilidad es

P (x > 9) = f ( x )dx =
9

1 dx =0,4038. 10,392

1.1.- MODELO NORMAL.

La distribucin normal es el modelo ms importante por ser la que mejor se ajusta a muchos fenmenos reales, por ser buena aproximacin (otros modelos bajo ciertas condiciones siguen un comportamiento normal y la agrupacin o suma de muchos fenmenos no significativos en el conjunto e independientes tambin) y por ser base de distribuciones en el muestreo imprescindibles para la inferencia estadstica. Es por esto que aparece la distribucin normal en todos los campos de las ciencias empricas. Para una ms fcil comprensin de este modelo se empieza estudiando un caso particular (la normal reducida) para, despus, continuar con la normal general.

Distribucin Normal (0;1) o normal reducida o normal tipificada. Hiptesis. Se dice que una variable aleatoria continua x tiene distribucin de probabilidad normal con media 0 y desviacin tpica 1 o N(0,1) si su funcin de densidad viene dada por:
f( x)= 1 2p e
x2 2

con - <x<+ .

Caractersticas. La funcin de densidad se representa grficamente dando lugar a lo que se conoce como campana de Gauss :
f(x)

-3

-2

-1

A partir de la funcin de densidad se demuestran interesantes propiedades que permiten entender mejor la distribucin normal reducida: 1. La funcin de densidad es simtrica respecto al eje de ordenadas o recta x=0, esto es, f(-x)=f(x). 2. Media, mediana y moda se encuentran en el valor x=0. 3. Tiene una asntota horizontal en y=0. 4. Alcanza un mximo absoluto en x=0 y es f ( x) = 5. Es creciente para x<0 y decreciente para x>0. 6. Los puntos x=-1 y x=+1 son puntos de inflexin. 7. Mucha probabilidad en la zona central: en [-2,+2] probabilidad de 0,955 y en [-3,+3] probabilidad de 0,997. Evidentemente, al ser una distribucin continua todas las probabilidades puntuales o P(x = x) son cero dado que las probabilidades se buscan en los intervalos. Las probabilidades en intervalos de la recta real pueden calcularse mediante la integral definida (rea bajo la curva f), tal y como se plantea con cualquier variable aleatoria continua. Por ejemplo, P(x x) es el rea a la izquierda del punto x, bajo la curva f(x)
f(x)

1 . 2p

Area

-3

-2

-1

1 x

La funcin de densidad no tiene primitiva y para calcular probabilidades se deberan utilizar procedimientos aproximativos. Para facilitar la operatividad se dispone de tablas que permiten calcular probabilidades de variables aleatorias con distribucin Normal(0;1). Hay tablas que presentan las probabilidades acumuladas en la cola

izquierda respecto un punto x o P(x<x) y tablas que presentan las probabilidades acumuladas en la cola derecha respecto un punto x o P(x>x). Las tablas slo dan informacin de una de las colas ya que los intervalos de cualquier otro tipo se pueden transformar para poder buscar en las tablas la probabilidad deseada (recurriendo a la simetra y al suceso complementario). Otra posibilidad es obtener las probabilidades mediante sencillos y habituales programas informticos (como hojas de clculo). EJEMPLOS PARA PRACTICAR.

P( x 0 ,47 ) = 0 ,3192 P( x 0 ,54 ) = 1 - P( x 0 ,54 ) = 1 - 0 ,2946 = 0 ,7054 P( x -1,13 ) = P( x 1,13 ) = 0 ,1292 P( x -0 ,73 ) = 1 - P( x -0 ,73 ) = 1 - P( x 0 ,73 ) = 1 - 0 ,2327 = 0 ,7673 P(-1,96 x 2,12) = P(x 2,12) - P(x -1,96) = P(x -1,96) - P(x 2,12) = = ( 1 - 0 ,0250 ) - 0 ,0170 = 0 ,958 .

Distribucin Normal(m;s) o Normal General. Hiptesis. Se dice que una variable aleatoria continua x tiene distribucin de probabilidad normal con media m y desviacin tpica s, si su funcin de densidad viene dada por:
f(x)= 1 e
( x - m )2 2s 2

s 2p

con - <x<+ .

Dada una x*=N(0,1), se dice que una variable aleatoria continua x tiene distribucin de probabilidad normal con media m y desviacin tpica s, x=N(m,s) si se obtiene como x=sx*+m, es decir, N(m,s)=sN(0,1)+m. Caractersticas. La representacin grfica de esta funcin de densidad es:

f(x)

m-s

m+s

A partir de la funcin de densidad se demuestran interesantes propiedades que permiten entender mejor la distribucin normal general: 1. La funcin de densidad es simtrica respecto al eje de ordenadas o recta x=m, esto es, f(m-x)=f(m+x). 2. Media, mediana y moda se encuentran en el valor x=m. 3. Tiene una asntota horizontal en y=0. 4. Alcanza un mximo absoluto en x=m y es f ( x) = 5. Es creciente para x<m y decreciente para x>m. 6. Los puntos x=m-s y x=m+s son puntos de inflexin. 7. Mucha probabilidad en la zona central: en [m-2s,m+2s] probabilidad de 0,955 y en [m-3s,m+3s] probabilidad de 0,997. Evidentemente, al ser una distribucin continua todas las probabilidades puntuales o P(x = x) son cero dado que las probabilidades se buscan en los intervalos. Las probabilidades de intervalos corresponden, como se ha expuesto antes, a reas bajo la curva funcin de densidad. Para calcular estas probabilidades nos podemos ayudar de las tablas de la distribucin Normal(0;1) ya que cualquier variable aleatoria normal x se puede transformar en otra normal con media 0 y desviacin tpica 1, sin ms que tipificar mediante la relacin P(x < x) = P(sx * + m < x ) = P(x * < EJEMPLO.
x-m

s 2p

).

La duracin aleatoria x de un determinado componente elctrico sigue una distribucin normal de media 2.000 horas y desviacin tpica 100 horas. Se calcula la probabilidad de que un componente elctrico elegido al azar dure entre 2.000 y 2.350 horas.

x es una variable aleatoria Normal(2.000;100). La variable aleatoria tipificada

que tiene distribucin Normal(0;1), a partir de la cual se pueden buscar las probabilidades en tablas de la normal es: x* = La probabilidad que se busca resulta:

x - 2.000
100

P( 2.000 x 2.350 ) = P(

2.000 - 2.000 x - 2.000 2.350 - 2.000 )= 100 100 100

P( 0 x* 3,5 ) = P( x* 0 ) - P( x* 3 ,5 ) = 0 ,5 - 0 ,0002 = 0 ,4998 .

La distribucin Normal tiene la propiedad aditiva o reproductiva para combinaciones lineales, esto es, la combinacin lineal de variables aleatorias independientes con distribucin Normal tambin tiene una distribucin Normal. EJERCICIO PROPUESTO. Obtener los parmetros resultantes de aplicar la propiedad reproductiva del modelo Normal.

T.C.L. Teorema Central del Lmite. Para terminar con los conceptos relacionados con la distribucin Normal se tratar un aspecto de la convergencia de variables aleatorias. Un estudio profundo es de gran complejidad matemtica y no se corresponde con los fines que se pretenden. Simplemente se destacar la importancia del comportamiento asinttico de la variable media aritmtica: si la convergencia es en probabilidad se llega a una ley dbil, si la convergencia es casi segura se llega a una ley fuerte y si la convergencia es en distribucin hacia la normal se llega a los teoremas centrales del lmite que sern el objeto de este apartado.

Como se dijo, un aspecto destacable del modelo Normal consiste en que es distribucin lmite de multitud de sucesiones de variables aleatorias, discretas y continuas. Esto se demuestra a travs del teorema central del lmite, que de manera intuitiva y operativa se puede describir de la siguiente forma: Si tenemos una sucesin de variables aleatorias independientes (que se organiza como una suma de numerosas variables aleatorias), con la misma distribucin y, con media y varianza finitas, la media aritmtica de ellas (o la suma de las variantes) converge a una variable aleatoria con distribucin normal . Por ello, el teorema central de lmite justifica que en determinadas condiciones sumas de variables aleatorias siguen una distribucin aproximadamente normal. Sean x1,...xn, n variables aleatorias independientes igualmente distribuidas con media E(xj) y varianza V(xj) finita, si n 50 se puede escribir la variante suma S como P( S x ) = P(x1 + ... + x n x ) P( N (m , s ) x) siendo E(S)=E(x1+x2+...+ xn)= E(x1)+E(x2)+...+E(xn)= n E(xj)=m V(S)=V(x1+x2+...+ xn)= V(x1)+V(x2)+...+V(xn)= n V(xj)= s2. Si x j B(1, p) => S B(1, p) B(n, p ) @ N (np, npq ) ,
j =1 n

si x j Poisson l => S Poisson nl @ N (nl , nl ) ,

a+b si x j U (a, b) => S ???? @ N n , 2

(b - a )2 .
12

EJERCICIO PROPUESTO. Razonar que, siguiendo las ideas expuestas, para cualquier poblacin con media finita m y desviacin tpica s, las distribuciones muestrales de la suma muestral y de la media muestral son aproximadamente normales si el tamao n de la muestra es suficientemente grande. EJERCICIO PROPUESTO. Se lanza un dado perfecto. Hallar y justificar la eleccin del modelo utilizado para la probabilidad de obtener 2 resultados pares o menos al efectuar 10 lanzamientos y, para la probabilidad de obtener 6.000 pares o ms al efectuar 10.000 lanzamientos.

1.2.- MODELO

DE PEARSON.

Hiptesis. Si se tienen n variables aleatorias independientes, x1,...,xn, cada una de ellas con distribucin Normal Reducida (media 0 y desviacin tpica 1), entonces la variable aleatoria x = x1 + ... + x n recibe el nombre de c2 con n grados de libertad.
2 2

De otra forma, se dice que una variable aleatoria continua x tiene distribucin de
2 probabilidad c n de Pearson si se puede escribir como x = x 1 + ... + x n , donde, x1,...,xn,
2 2

son variantes Normales independientes de media 0 y desviacin tpica 1. Tambin se dice que una variable aleatoria continua x tiene distribucin de
2 probabilidad c n de Pearson si si su funcin de densidad es:
n 1 -1 - x x 2 e 2 con - <x<+ . n n 22 G 2

f(x)=

Caractersticas. Es un modelos que se tiene a partir de las distribuciones en el muestreo, no corresponde a un fenmeno real y por eso se dice que es, junto con otras distribuciones derivadas de la normal y resultado del muestreo, una distribucin o modelo ficticio . Esta distribucin es de carcter continuo, su funcin de densidad toma valores (dominio) en el intervalo [0, ) . Su funcin de densidad ser:
f(x)=
n 1 -1 - x x 2 e 2 con - <x<+ . n n 22 G 2

La funcin de densidad depende de los grados de libertad, n. A modo de ejemplo se presentan en el siguiente grfico la funcin de densidad para distintos grados de libertad:

1 g.l.

4 g.l.

10 g.l.

El clculo de probabilidades se realiza a travs de tablas de la distribucin c2.

2 2 Algunas caractersticas son E c = n, V c = 2n. n n

La distribucin c2 tiene la propiedad aditiva para suma de variantes, esto es, la suma de variables aleatorias independientes con distribucin c2 tambin tiene una distribucin c2: Dadas

2 {X i }ik=1 c ni

independientes

k 2 X i c n +n +...+n . 1 2 k i=1
En relacin con la normal se puede exponer:

2 si X c n , entonces Y =

2 X N ( 2n - 1,1) si n es grande.

1.3.- MODELO tn DE STUDENT. Hiptesis. La distribucin tn de Student con n grados de libertad se puede construir a partir de n+1 variables aleatorias independientes con distribucin N(0, s), x0, x1,...xn, de la siguiente forma:

x=

x0 x 1 + ... + x n
2 2

N ( 0 ,1 )

2 n

Se dice que una variable aleatoria continua x tiene distribucin de probabilidad tn de Student si su funcin de densidad es:

G
f(x)=

n + 1 n+ 1 2 - 2 2 1 + x con - <x<+ . n n np G 2

Caractersticas. Es un modelos que se tiene a partir de las distribuciones en el muestreo, no corresponde a un fenmeno real y por eso se dice que es, junto con otras distribuciones derivadas de la normal y resultado del muestreo, una distribucin o modelo ficticio . Esta distribucin es de carcter continuo y toma valores en el intervalo (- , ) . Su funcin de densidad es:

G
f(x)=

n + 1 n+ 1 2 - 2 2 1 + x con - <x<+ . n n np G 2

Esta funcin es simtrica respecto al eje de ordenadas y su forma depende de los grados de libertad, n. A modo de ejemplo se comparan en el siguiente grfico tres funciones diferentes:

1 g.l.

4 g.l.

9 g.l.

La funcin de densidad resulta difcil de manejar, para calcular probabilidades se utilizan tablas. Otra posibilidad es obtener las probabilidades mediante sencillos y habituales programas informticos (como hojas de clculo). Algunas caractersticas son: E [T ] = 0 para n>2 (si n=1 no existe media) y

Var [T ] =

n para n>3. n-2

En relacin con la normal se puede exponer que la distribucin t de Student converge a una normal cuando los grados de libertad tienden a infinito (sirve para n>30).

1.4.- MODELO Fn,m DE FISHER-SNEDECOR. Hiptesis. Si se tienen n+m variables aleatorias independientes, cada una de ellas con distribucin Normal Reducida (media 0 y desviacin tpica 1), entonces la variable aleatoria F (m; n) = de libertad. Se dice que una variable aleatoria continua x tiene distribucin de probabilidad si su funcin de densidad es:
m f ( x) =
m n m+n n 2 G 2 x m -1 (n + mx ) - m2+ n con - <x<+ . 2 m n G G 2 2 2

nc 2 (m) recibe el nombre F de Fisher-Snedecor con m y n grados mc 2 (n)

Caractersticas. Esta distribucin es de carcter continuo, su funcin de densidad toma valores (dominio) en el intervalo [0, ) . Su funcin de densidad es:
m f ( x) =
m n m+n n 2 G 2 x m -1 (n + mx ) - m2+ n con - <x<+ . 2 m n G G 2 2 2

La funcin de densidad resulta difcil de manejar, para calcular probabilidades se utilizan tablas. Otra posibilidad es obtener las probabilidades mediante sencillos y habituales programas informticos (como hojas de clculo).