CONCEPTOS BÁSICOS DE

INFERENCIA II

1
Teorema 1.
Si X~N(µ, σ) y Y=aX+b donde a y b son constantes, entonces:

Y ~ N  a  b, a  

Teorema 2.
Si X1, X2, …, Xn son variables aleatorias independientes distribuidas
normalmente, donde Xi ~ N(µi, σi) y además: Y=X1 +X2 +…+Xn, entonces:

Y~N   ,i  i
 2

2
Ejercicio 8.

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) = ?

b. Si P(X1 + X2 + X3 >Y0) = 0.0968 , encuentre el valor de Y0.

c. Si definimos la variable aleatoria W como: W = 2X1 + 3X2

encuentre: P(2500 < W < 3800)

3
DISTRIBUCIÓN CHI-CUADRADA
Es una distribución útil en la modelación de variables aleatorias con
asimetría positiva o cuando se desea contrastar la significancia de una
varianza.

Se dice que una variable aleatoria X tiene una distribución Chi-Cuadrada,

si su función de densidad es:
k
1 1
f  x  k / 2 x ex / 2 ; x  0 ; k  Z 
2
2 (k / 2)

donde k son los grados de libertad de la distribución.

La función Γ(k) es llamada función Gamma y se define como:

 k    x k 1e  x dx para k  0
0

 k  1  k k  ; 1  1 4

Si n es entero entonces  k  1  k!
Si X ~  2k  entonces : E ( X )  k , V ( X )  2k
5
Teorema 3.
Si Z ~ N  0,1  Z 2 ~  21
Una variable Normal Estándar al cuadrado se distribuye Chi-Cuadrado.

Teorema 4.
Si X i ~ N  0,1 variables
(i  1,2,...,aleatorias
p) independientes, entonces:
p
U   X i ~  p2
2

i 1
La suma de los cuadrados de p variables aleatorias independientes distribuidas Normal
Estándar, tiene distribución Chi-Cuadrado con p grados de libertad.

Teorema 5.
Si Yi ~  k2i (i  1,2,...,
variablesp) aleatorias independientes, entonces:
p p
U   Yi ~  2
v ; v   ki
i 1 i 1
La suma variables aleatorias independientes distribuidas Chi-Cuadrado, tiene distribución
6
Chi-Cuadrado con parámetro igual a la suma de los grados de libertad de las variables
sumandos.
 EJEMPLO
Si X se distribuye Chi-Cuadrado con 10 grados de libertad, encuentre:

15.98 10
1 1
P  X  15.98    x 2
e 1/ 2
dx
0
2 (10 / 2)
10/2

Esta integral es un poco compleja de calcular, pero no resulta ser una

preocupación ya que estas probabilidades aparecen tabuladas para diferentes
valores del limite superior de la integral de x y para distintos grados de libertad.

Si X ~  210  P  X  15.98   0.90

Esta probabilidad se encuentra en la tabla

de la Distribución Chi-Cuadrado o en R con
7
el comando pchisq(15.98,10)
 Probabilidad

Grados de libertad

Valor de X

8
 EJERCICIOS
1. Sea X una variable aleatoria con distribución Chi-Cuadrado con k grados de
libertad, calcule el valor de Y tal que:

P X k 15  Y   0.99
P X k 15  Y   0.90
P Y1  X k 30  Y2   0.80
P Y1  X k 100  Y2   0.81

2. Si X ~  210  215 , X y Y son independientes.

y Y ~además
a. Encuentre el valor V0 tal que: P( X + Y < V0) = 0.975
b. Encuentre: P( 29.34 < X + Y < 44.314)

9
 DISTRIBUCIÓN T-STUDENT
Publicada por primera vez en 1908 por William Gosset, empleado de una
cervecería Irlandesa que desaprobaba la publicación de trabajos de investigación
por parte de sus trabajadores. Para evitar esta restricción Gosset publico bajo el
seudónimo de “The Student”.

La distribución t- Student es una distribución de probabilidad que surge del

problema de estimar la media de una población normalmente distribuida cuando
el tamaño de la muestra es pequeño o cuando no se conoce la desviación
poblacional (σ).

Se dice que una variable aleatoria X tiene una distribución t-Student, si su

función de densidad es:

 (k  1) / 2 1 1
f  x  * * ( k 1) / 2
;   x  
(k / 2) k (1  x / k )
2
10

donde k son los grados de libertad de la distribución.

La distribución t se asemeja a la distribución Z porque ambas son simétricas
alrededor de una media cero y tienen forma de campana.

A medida que aumenta el tamaño de muestra la distribución t-Student tiende a

parecerse mucho a la Normal Estándar. Teóricamente la Normal es el límite de la
t-Student cuando el tamaño de muestra tiende a infinito. 11
 Si X ~ t  Student entonces : E ( X )  0 , para k  1
V (X )  k
 k  2 , para k  2
Entre menos grados de libertad tenga la distribución t-Student, mas pesadas
tendrá las colas (la probabilidad de encontrar valores atípicos es mas alta). 12
Teorema 6.
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
T ~t k
U
k

Ejemplo:
Si T se distribuye t-Student con 7 grados de libertad, encontrar:

P T  0.20   0.57

Esta probabilidad se puede hallar en la tabla tabulada para esta distribución o en

R con el comando pt(0.20,7)
13
 Probabilidad

Grados de libertad

Valor de X

14
 EJERCICIOS
1. Sea T una variable aleatoria con distribución t-Student con k grados de
libertad, calcule el valor de Y tal que:

P  Tk 15  Y   0.95
P  Tk 15  Y   0.40
P  Y1  Tk 30  Y2   0.80

2. Determine los siguientes valores de la distribución T que dejan en la cola

izquierda la probabilidad indicada:
T0.05;k 15 
T0.1;k 15 
T0.25;k  25  15
DISTRIBUCIÓN F
Es una distribución de gran aplicación en la inferencia estadística,
fundamentalmente en la contrastación de igualdad de varianzas de dos
poblaciones normales y en el Análisis de Varianza (ANOVA), técnica que
permite contrastar si existen diferencias significativas entre muestras
diferentes.

m n
mn
m 2
n 2
 m 1
f  x   2  x 2  n  mx   m2 n x0
m n
   
 2  2

Donde m son los grados de libertad en el numerador y n son los grados de

libertad en el denominador.

16
 n
Si X ~ F entonces : E ( X )  , para n  2
n2
2n 2  m  n - 2 
V (X )  , para n  4
m n  2   n  4 
2 17
 Teorema 7.
Sea U y V dos variables aleatorias con distribución Chi-Cuadrado con m y n
grados de libertad respectivamente, además U y V son independientes, entonces
la variable aleatoria:
U m
X ~ F m;n 
V n
Teorema 8.
1
Si X ~ F m ,n   ~ F n ,m 
X

Ejemplo:
Sea X una variable aleatoria distribuida F con 3 y 4 gl, calcule P(X<6.59)

P  X  6.59   0.95
18
En R se puede obtener mediante el código pf(6.59,3,4)
EJERCICIOS
Sea F una variable aleatoria con distribución F de Snedecor, calcule el valor
de C tal que:

 
P F 15,20  C  0.99

P  F   C   0.90
20,15

P  C  F   C   0.80
1 30,40 2

19