Estadstica

Tema 3: Calculo de Probabilidades

Unidad 4: Algunas Distribuciones Notables
de Variables Aleatorias

Area
de Estadstica e Investigacion Operativa
Licesio J. Rodrguez-Aragon
Noviembre 2010

Contenidos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
Variables Aleatorias Discretas
Distribuci
on Uniforme . . . . . . .
Distribuci
on de Bernoulli . . . . .
Distribuci
on Binomial . . . . . . .
Distribuci
on Binomial con R . . .
Distribuci
on de Poisson . . . . . .
Distribuci
on de Poisson con R. .

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

Variables Aleatorias Continuas

Distribuci
on Uniforme . . . . . . . . .
Distribuci
on de Uniforme con R . .
Distribuci
on Exponencial . . . . . . .
Distribuci
on de Exponencial con R
Distribuci
on Normal. . . . . . . . . . .
Distribuci
on Normal con R . . . . . .
Distribuci
on Normal Est
andar. . . .
Teorema Central del Lmite . . . . .
Aproximaciones por la Normal . . .
Distribuci
on 2n de Pearson . . . . . .
Distribuci
on tn de Student . . . . . .
Distribuci
on Fm,n de Snedecor . . .

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.

3
4
5
6
8
9
11
12
13
14
15
16
17
18
19
23
24
26
30
34

Contenidos


Variables Aleatorias Discretas.

Uniforme, Bernoulli, Binomial, Poisson.

Variables Aleatorias Continuas.

Uniforme, Exponencial, Normal, aproximaciones por la Normal, 2 de Pearson, t de

Student y F de Snedecor.
Presentamos en este tema algunas Distribuciones de Variables Aleatorias, primero
discretas y luego contnuas, a continuaci
on presentaremos su Esperanza y Varianza.

Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 2 / 37

3 / 37

Variables Aleatorias Discretas

Distribuci
on Uniforme

Sea X una variable aleatoria que toma valores x1 , x2 , . . . , xk con igual probabilidad, entonces la
Funci
on de Probabilidad de esta Variable Aleatoria Uniforme viene dada por,
f (x; k) = 1/k

para x = x1 , x2 , . . . , xk ,

siendo k un par
ametro de la distribuci
on de probabilidad.
Su Esperanza y Varianza vienen dadas por las expresiones:
E(X) = =

k
X

xi f (xi ) =

i=1

Var(X) = 2 =

i=1

k
X
(xi )2
i=1

k
X
xi

Licesio J. Rodrguez-Arag
on

k
X
x2
i

i=1

.
k
X
xi
i=1

!2

Tema 3, Unidad 4 4 / 37

Distribuci
on de Bernoulli
Daniel Bernoulli (1700-1782). Se conoce como prueba de Bernoulli, todo experimento aleatorio en
el que s
olo son posibles dos resultados, eg. exito o fracaso. Definamos X como la variable
aleatoria que toma el valor 1 con probabilidad p, exito, y 0 con probabilidad 1 p, fracaso.
La Funci
on de Probabilidad de la Variable Aleatoria X vendr
a dada por,
f (x; p) = px (1 p)1x

, para x = 0, 1.

Su Esperanza y Varianza vienen dadas por las expresiones:

E(X) = 0 f (0) + 1 f (1) = 0 (1 p) + 1 p = p.
Var(X) = E(X 2 ) E(X)2 = (0 f (0) + 1 f (1)) p2 = p p2 = p(1 p).
Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 5 / 37

Distribuci
on Binomial
Supongamos que realizamos n experimentos de Bernoulli, con probabilidad de exito p para cada
uno de ellos. Definamos la Variable Aleatoria X como el n
umero de exitos en esas n ejecuciones
del experimento.
La Funci
on de Probabilidad es la siguiente:
 
n x
f (x; n, p) =
p (1 p)nx , para x = 0, 1, 2, . . . , n,
x
siendo n y p par
ametros de la distribuci
on de probabilidad.
Su Esperanza y Varianza vienen dadas por las expresiones,
E(X) = = E(X1 + + Xn ) = E(X1 ) + + E(Xn ) = np.
Var(X) = 2 = Var(X1 ) + + Var(Xn ) = np(1 p).
Con Xi variables aleatorias independientes de Bernoulli.
Las gr
aficas de la Funci
on de Probabilidad y la Funci
on de Distribuci
on de una variable aleatoria
Binomial, de par
ametros n = 10, p = 0.3.
Distribucin Binomial: n = 10, p = 0.3

0.6

Probabilidad Acumulada

0.0

0.00

0.2

0.4

0.15
0.05

0.10

Probabilidad

0.20

0.8

0.25

1.0

Distribucin Binomial: n = 10, p = 0.3

10

Nmero de Exitos

10

Nmero de Exitos

Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 6 / 37

Distribuci
on Binomial
Variable Aleatoria Binomial de par
ametros n = 10, p = 0.6.
Distribucin Binomial: n = 10, p = 0.6

0.6
0.4
0.0

0.00

0.2

0.05

0.10

Probabilidad

0.15

Probabilidad Acumulada

0.8

0.20

1.0

0.25

Distribucin Binomial: n = 10, p = 0.3

10

Nmero de Exitos

10

Nmero de Exitos

Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 7 / 37

Distribuci
on Binomial con R
Funci
on de Probabilidad:
>
>
+
+
>
>

x <- 0:10
plot(x, dbinom(x, size=10, prob=0.6), xlab="N
umero de Exitos",
ylab="Probabilidad",
main="Distribuci
on Binomial: n = 10, p = 0.3", type="h")
points(x, dbinom(x, size=10, prob=0.6), pch=16)
abline(h=0, col="gray")

Funci
on de Distribuci
on:
>
>
>
+
+
>

x <- 0:10
x <- rep(x, rep(2, length(x)))
plot(x[-1], pbinom(x, size=10, prob=0.6)[-length(x)],
xlab="N
umero de Exitos", ylab="Probabilidad Acumulada",
main="Distribuci
on Binomial: n = 10, p = 0.6", type="l")
abline(h=0, col="gray")

Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 8 / 37

Distribuci
on de Poisson
Simeon Denis Poisson (1781-1840). Una Variable Aleatoria discreta X se dice que es una variable
de Poisson si su funci
on de probabilidad es de la forma:
f (x; ) =

x e
x!

, para x = 0, 1, 2, . . . ,

siendo un par
ametro positivo.
Su Esperanza y Varianza vienen dadas por las expresiones,
E(X) = =

xf (x) =

x=0

X
X
x e
x1
x
= e
= .
x!
(x

1)!
x=0
x=0

Var(X) = 2 = E(X 2 ) E(X)2 = E(X(X 1)) + 2 = = .

La distribuci
on de Poisson se presenta en experimentos en los que se estudia la ocurrencia de
sucesos en un intervalo de tiempo dado. Usualmente para sucesos raros, pi <<.


El n
umero de vehculos que pasan a traves de un cierto punto en una ruta durante un
periodo definido de tiempo.

El n
umero de errores de ortografa que uno comete al escribir una u
nica p
agina.

El n
umero de llamadas telef
onicas en una central telef
onica por minuto.

El n
umero de servidores web accedidos por minuto.

El n
umero de mutaciones de determinada cadena de ADN despues de cierta cantidad de
radiaci
on.

Funci
on de Probabilidad y de Distribuci
on,
Distribucin Poisson: Media = 3

0.6

Probabilidad Acumulada

0.4

0.10
0.00

0.2

0.05

Probabilidad

0.15

0.8

0.20

1.0

Distribucin Poisson: Media = 3

10

10

=3

Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 9 / 37

Distribuci
on de Poisson
Funci
on de Probabilidad y de Distribuci
on,
Distribucin Poisson: Media = 6

0.6
0.4
0.0

0.00

0.2

0.05

Probabilidad

Probabilidad Acumulada

0.10

0.8

0.15

1.0

Distribucin Poisson: Media = 6

10

15

10

15

=6
La distribuci
on de Poisson aproxima de forma muy acertada a la distribuci
on Binomial cuando
n > 25 y p < .1 y np = < 5
Distribucin Poisson: Media = 3

Probabilidad

0.10
0.05

0.10

0.00

0.00

0.05

Probabilidad

0.15

0.15

0.20

0.20

Distribucin Binomial: n = 30, p = 0.1

10

Nmero de Exitos

10

 
n x
x e
f (x; n, p) =
p (1 p)nx f (x; ) =
x
x!
Para un proceso de Poisson, la probabilidad de obtener exactamente x exitos en n intentos viene
dada por el lmite de la distribuci
on binomial.
Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 10 / 37

Distribuci
on de Poisson con R
Funci
on de Probabilidad:
>
>
+
>
>

x <- 0:15
plot(x, dpois(x, lambda=6), xlab="x", ylab="Probabilidad",
main="Distribuci
on Poisson: Media = 6", type="h")
points(x, dpois(x, lambda=6), pch=16)
abline(h=0, col="gray")

Funci
on de Distribuci
on:
>
>
>
+
+
>

x <- 0:15
x <- rep(x, rep(2, length(.x)))
plot(x[-1], ppois(x, lambda=6)[-length(.x)], xlab="x",
ylab="Probabilidad Acumulada",
main="Distribuci
on Poisson: Media = 6", type="l")
abline(h=0, col="gray")

Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 11 / 37

12 / 37

Variables Aleatorias Continuas

Distribuci
on Uniforme

Cuando el valor de la variable aleatoria se mide y no se cuenta, entramos dentro del concepto de
variable aleatoria continua.
Una Variable Aleatoria ser
a Uniforme en el intervalo (a, b) si su Funci
on de Densidad es
constante, es decir:
1
ba para a < x < b
f (x) =

0
en el resto.
Su Funci
on de Distribuci
on, viene dada por:
F (x) =

f (t)dt =

xa
ba

si x a,
para a < x < b
si x b.

Siendo a y b los par

ametros de la distribuci
on.
Su Esperanza y Varianza vienen dadas por las expresiones:
E(X) =

Var(X) =

xf (x)dx =

xf (x)dx =
a

a+b
.
2

(x )2 f (x)dx = E(X 2 ) E(X)2 =

(b a)2
.
12

Las gr
aficas de la Funci
on de Densidad y de la Funci
on de Distribuci
on para una Variable
Aleatoria Uniforme en (0, 1),

0.8
0.6
0.4
0.2
0.0

0.0

0.2

0.4

Densidad

0.6

Probabilidad Acumulada

0.8

1.0

Uniform Distribution: min=0, max=1

1.0

Distribucin Uniforme: mn=0, mx=1

0.5

0.0

0.5

1.0

1.5

0.5

0.0

0.5

1.0

1.5

Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 13 / 37

Distribuci
on de Uniforme con R
Funci
on de Densidad:
> x <- seq(-.5, 1.5, length=100)
> plot(x, dunif(x, min=0, max=1), xlab="x", ylab="Densidad",
+
main="Distribuci
on Uniforme: m
n=0, m
ax=1", type="l")
> abline(h=0, col="gray")
Funci
on de Distribuci
on:
> x <- seq(-0.5, 1.5, length=100)
> plot(x, punif(x, min=0, max=1), xlab="x",
+
ylab="Probabilidad Acumulada",
+
main="Uniform Distribution: min=0, max=1", type="l")
> abline(h=0, col="gray")
Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 14 / 37

10

Distribuci
on Exponencial
Una Variable Aleatoria X sigue una distribuci
on Exponencial si su Funci
on de Densidad viene
dada por,
x
para x 0 y > 0
e
f (x; ) =

0
en el resto.

Su funci
on de Distribuci
on ser
a,

F (x) =

f (t)dt =

0
1 ex

si x 0,
para x 0

Su Esperanza y Varianza vienen dadas por las expresiones,

Z
1
E(X) = =
xf (x)dx = .

0
Var(X) = 2 = E(X 2 ) E(X)2 = 1/2 .
La representac
on gr
afica de las Funciones de Densidad y de Distribuci
on para una Variable
aleatoria que siga una distribuci
on Exponencial de par
ametro = 5,
Distribucin Exponencial: = 5

0.6
0.4
0.0

0.2

Densidad

Probabilidad Acumulada

0.8

1.0

Distribucin Exponencial: = 5

0.0

0.5

1.0

1.5

0.0

0.5

1.0

1.5

La distribucion Exponencial modeliza el tiempo transcurrido entre dos sucesos raros

consecutivos modelizados por la distribuci
on de Poisson.
Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 15 / 37

11

Distribuci
on de Exponencial con R
Funci
on de Densidad:
> x <- seq(0, 1.52, length=100)
> plot(x, dexp(x, rate=5), xlab="x", ylab="Densidad",
+
main=expression(paste("Distribuci
on Exponencial: ",lambda," = 5")),
+
type="l")
> abline(h=0, col="gray")
Funci
on de Distribuci
on:
> x <- seq(0, 1.52, length=100)
> plot(x, pexp(x, rate=5), xlab="x",
+
ylab="Probabilidad Acumulada",
+
main=expression(paste("Distribuci
on Exponencial: ",lambda," = 5")),
+
type="l")
> abline(h=0, col="gray")
Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 16 / 37

12

Distribuci
on Normal
Johann Carl Friedrich Gauss (1777-1855). La Distribuci
on Normal es clave en multitud de
fen
omenos naturales. Sobre todo destacar la distribuci
on de errores de medida, que siguen una
distribuci
on Normal.
Una variable aleatoria X, se dice que sigue una distribuci
on Normal si su Funci
on de Densidad es
de la forma,


(x )2
1
,
f (x; , ) = exp
2 2
2
con < x < siendo y par
ametros de la distribuci
on.
En estadstica esta distribuci
on se conoce como la distribuci
on normal. Mientras en otros
campos se conoce con el nombre de distribuci
on Gaussiana o Campana Gaussiana.
Representacion gr
afica de las funciones de densidad de diferentes N (, ),

Distribucin Normal: = 0 , = 0.5, 1, 1.5

0.4

0.8

Distribucin Normal: =1, 0, 1, =1

= 1
=0

= 0.5

0.4

Densidad

0.2

Densidad

0.3

0.6

=1

= 1.5

0.0

0.0

0.1

0.2

=1

La Esperanza y la Varianza de una variable aleatoria X de distribuci

on N (, ), son
respectivamente,
1
E(X) =
xf (x)dx =
2

2
Var(X) = E((X )2 ) =
2

xe

(x)
2
2

dx =

z = (x )/, dx = dz

z 2 ez

2 /2

1
=
2

( + z)ez

2 /2

dz =

dz =

u = z, dv = zez /2 dz

h
Z
i
2
z 2 /2
z 2 /2
=
ze
+
e
dz = 2 (0 + 1) = 2

Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 17 / 37

13

Distribuci
on Normal con R
Funci
on de Densidad:
> x <- seq(-3.291, 3.291, length=100)
> plot(x, dnorm(x, mean=0, sd=1),col="blue",xlab="x", ylab="Densidad",
+
main=expression(paste("Distribuci
on Normal: ", mu, " = 0 , ", sigma, " = 1")),
+
type="l")
> abline(h=0, col="gray")
Funci
on de Distribuci
on:
> x <- seq(-3.291, 3.291, length=100)
> plot(x, pnorm(x, mean=0, sd=1),col="blue",xlab="x", ylab="Probabilidad Acumulada",
+
main=expression(paste("Distribuci
on Normal: ", mu, " = 0 , ", sigma, " = 1")),
+
type="l")
> abline(h=0, col="gray")
Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 18 / 37

14

Distribuci
on Normal Est
andar
La funci
on de Distribuci
on de una N (, ),
1
F (x) =
2



(t )2
exp
dt.
2 2

La transformaci
on Z = (X )/ nos proporciona valores de una distribuci
on normal de media
cero y varianza uno, N (0, 1).

0.6
0.4
0.0

0.2

Probabilidad Acumulada

0.8

1.0

Distribucin Normal: = 0, = 1

Definimos entonces la Funci

on de Distribuci
on de la Normal Estandarizada o Tipificada,
 2
Z z
1
t
(z) =
exp
dt
2
2
Esta integral no puede calcularse por metodos ordinarios, debemos acudir a integraci
on numerica,
esta funci
on se encuentra recogida en las Tablas de la Normal Tipificada.
De esta forma si X sigue una distribuci
on N (0, 1), para el c
alculo de P(a < X < b) podemos
hacer uso de las tablas,
P(a < X < b) = (b) (a).
La distribuci
on normal estandar se obtiene al tomar una distribuci
on normal con par
ametros
= 0 y 2 = 1.
Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 19 / 37

15

Distribuci
on Normal Est
andar
X N (0, 1),

P(1 < X < 2) = (2) (1)

0.3
0.2

Density

0.0

0.1

0.2
0.0

0.1

Densidad

0.3

0.4

(1)

0.4

(2)

0.2
0.0

0.1

Density

0.3

0.4

(2)(1)

P(1 < X < 2) = (2) (1)

Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 20 / 37

16

Distribuci
on Normal Est
andar
Si X sigue una distribuci
on Normal cualquiera, N (, ), la P(a < X < b) puede calcularse
realizando la transformaci
on, Z = (X )/, es decir:
P(a < X < b) = P((a )/ < Z < (b )/) =

= ((b )/) ((a )/).

Una conclusi
on de la definici
on de es que,
(x) = 1 (x),
esta relaci
on es muy u
til ya que en la mayora de las tablas, s
olo aparece tabulada para valores
positivos de x.
Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 21 / 37

17

Distribuci
on Normal Est
andar
Vamos ahora a calcular,
P( k < X < + k),
para X N (, ),
P( k < X < + k) = P(k < (X )/ < k) =

= (k) (k) = 2(k) 1,

que no depende ni de ni de .
P( < X < + ) = 2(1) 1 = 0.6826895
P( 2 < X < + 2) = 2(2) 1 = 0.9544997
P( 3 < X < + 3) = 2(3) 1 = 0.9973002
> 2*pnorm(1,mean=0,sd=1)-1
[1] 0.6826895

Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 22 / 37

Teorema Central del Lmite

Si X1 , X2 , . . . , Xn son n variables aleatorias independientes y
X = k1 X1 + k2 X2 + + kn Xn , entonces X es otra v.a. de media y varianza:
X
X
E(X) =
ki E(Xi ) Var(X) =
ki2 Var(Xi )
i

Si las Xi son normales, tambien lo ser

a X.
Si lasP
v.a. X1 , . . . , Xn , constituyen una muestra de una poblaci
on de media y varianza 2 y
1
X=n
Xi , es la media muestral:
E(X) =

1X
E(Xi ) =
n

Var(X) =

1 X
n 2
2
Var(X
)
=
=
i
n2
n2
n
i

Adem
as se tendr
a que X N (, 2 /n), n > 30.
Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 23 / 37

18

Aproximaciones por la Normal

Si X es una variable Binomial, de par
ametros n y p, entonces si n es grande y ni p ni 1 p son
pr
oximos a cero:
podemos considerar que X sigue aproximadamente una distribuci
on
N ( = n p, 2 = n p (1 p)).
Z=p

X np

n p (1 p)

N (0, 1).
Distribucin Normal: = 40, = 4.8989

0.06
0.00

0.00

0.02

0.04

Densidad

0.04
0.02

Probabilidad

0.06

0.08

0.08

Distribucin Binomial: n = 100, p = 0.4

25

30

35

40

45

50

55

25

30

35

Nmero de Exitos

40

45

50

55

Si X es una distribuci
on de Poisson de par
ametro grande, > 25, en la pr
actica se puede
considerar que X sigue una distribuci
on N ( = , 2 = ).
Z=

N (0, 1).

Distribucin Normal: = 36, = 6

0.04
Densidad

0.00

0.00

0.01

0.01

0.02

0.03

0.03
0.02

Probabilidad

0.04

0.05

0.05

0.06

0.06

Distribucin de Poisson: = 36

20

30

40

50

20

30

40

50

Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 24 / 37

19

Aproximaciones por la Normal con R

Aproximaci
on de la Binomial por la Normal:
>
>
+
+
>
>

x <- seq(24, 56, length=100)

plot(x, dnorm(x, mean=40, sd=sqrt(24)), xlab="x", ylab="Densidad",
main=expression(paste("Distribuci
on Normal: ", mu, " = 40, ", sigma, " = 4.89")),
type="l")
x <- 24:56
points(x, dbinom(x, size=100, prob=0.4), col="red", pch=16)

Aproximaci
on de la distribuci
on de Poisson por la Normal:
>
>
+
+
>
>

x <- seq(18, 57, length=100)

plot(x, dnorm(x, mean=40, sd=sqrt(40)), xlab="x", ylab="Densidad",
main=expression(paste("Distribuci
on Normal: ", mu, " = 40, ", sigma, " = 6.32")),
type="l")
x <- 18:57
points(x, dpois(x, lambda=40), col="blue", pch=16)

Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 25 / 37

20

Distribuci
on 2n de Pearson
Karl Pearson (1857-1936). Sean X1 , X2 , . . . , Xn , n variables aleatorias independientes entre s, del
tipo N (0, 1). La variable:
X = X12 + X22 + + Xn2 ,

se dice que es una 2n , ji-cuadrado de Pearson con n grados de libertad.

La funci
on de densidad de una variable aleatoria 2n es:
n/21 x/2
x
e

si x > 0
2n/2 (n/2)
f (x; n) =

0
en el resto.
R
Siendo la funci
on gamma definida: () = 0 x1 ex dx para > 0.
Varianza de la distribuci
on 2n , son respectivamente,

La Esperanza y

E(X) = = n
Var(X) = 2 = 2n

1.0

Distribucin 2 : n = 1,2,3,4,5

0.6
0.4

Densidad

0.8

n=1

n=2
n=3
n=4

0.0

0.2

n=5

10

12

Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 26 / 37

21

Distribuci
on 2n de Pearson
Propiedad: La suma de 2n1 , 2n2 , . . . , independientes, es otra 2n siendo n = n1 + n2 + . . . .
La Funci
on de Distribuci
on F (x) nos permite saber, dada una variable aleatoria X 2n ,
Z a
f (x; n)dx.
P(X < a) = p =
0

El c
alculo de esta integral se encuentra en la Tabla de distribuci
on 2n de Pearson.
> qchisq(0.95,df=3)
[1] 7.814728

Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 27 / 37

22

Distribuci
on 2n de Pearson
M
as en concreto la Funci
on de Distribuci
on Inversa: para distintos valores de n y de p se puede
buscar en la tabla su cuantil a.

0.10

Densidad

0.15

0.20

0.25

2 n=3, P(X<a)=p=F(a)

0.00

0.05

a
0

10

Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 28 / 37

2n de Pearson con R
Distribuci
on 2n de Pearson:
>
>
+
>
>
>
>
>
>
>
>
>
>
>

x <- seq(0, 12.116, length=100)

plot(x, dchisq(x, df=1), xlab=expression(chi^2), ylab="Densidad",
main=expression(paste("Distribuci
on ", chi^2," : n = 1,2,3,4,5")), type="l")
abline(h=0, col="gray")
abline(v=0, col="gray")
text(1,1,"n = 1",col="black")
lines(x, dchisq(x, df=2),col="blue")
text(2,.34,"n = 2",col="blue")
lines(x, dchisq(x, df=3),col="green")
text(3,.31,"n = 3",col="green")
lines(x, dchisq(x, df=4),col="red")
text(4,.28,"n = 4",col="red")
lines(x, dchisq(x, df=5),col="pink")
text(5,.25,"n = 5",col="pink")

Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 29 / 37

23

Distribuci
on tn de Student
William Sealy Gosset (1876-1937). Sea Z una variable aleatoria N (0, 1) e Y una 2n ambas
independientes, entonces la variable aleatoria,
X=p

Z
Y /n

se denomina tn de Student con n grados de libertad.

La funci
on de densidad de una variable aleatoria tn es:



2 (n+1)/2

n(11 , n ) 1 + xn
2 2
f (x; n) =

para < x <

yn>0
en el resto.

1 )(2 )
Siendo la funci
on beta definida: (1 , 2 ) = (
(1 +2 ) para 1 , 2 > 0.
La Esperanza y Varianza de la distribuci
on tn , son:

E(X) = = 0, para n > 1, indefinida para otros valores.

Var(X) = 2 =

n
, para n > 2, indefinida para otros valores.
n2

0.4

Distribucin t Student : n = 1,2,3,4

N(0,1)
n=1
n=2

0.2

n=4

0.0

0.1

Densidad

0.3

n=3

Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 30 / 37

24

Distribuci
on tn de Student
Propiedad: A medida que aumenta n, tn N (0, 1).
La Funci
on de Distribuci
on F (x) nos permite saber, dada una variable aleatoria X tn ,
Z a
f (x; n)dx.
P(X < a) = p =

El c
alculo de esta integral se encuentra en la Tabla de distribuci
on tn de Student.
> qt(0.975,df=5)
[1] 2.570582

Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 31 / 37

25

Distribuci
on tn de Student
M
as en concreto la Funci
on de Distribuci
on Inversa: para distintos valores de n y de p se puede
buscar en la tabla su cuantil a.

0.2
0.1

Densidad

0.3

t n=3, P(X<a)=p=F(a)

0.0

a
4

Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 32 / 37

tn de Student con R
Distribuci
on tn de Student:
>
>
+
>
>
>
>
>
>
>
>
>
>

x <- seq(-3.291, 3.291, length=100)

plot(x, dnorm(x, mean=0, sd=1), xlab="x", ylab="Densidad",
main="Distribuci
on t Student : n = 1,2,3,4",, type="l")
abline(h=0, col="gray")
text(2,.38,"N(0,1)",col="black")
lines(.x, dt(x, df=1),col="blue")
text(2,.36,"n = 1",col="blue")
lines(.x, dt(x, df=2),col="green")
text(2,.34,"n = 2",col="green")
lines(.x, dt(x, df=3),col="red")
text(2,.32,"n = 3",col="red")
lines(.x, dt(x, df=4),col="pink")
text(2,.30,"n = 4",col="pink")

Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 33 / 37

26

Distribuci
on Fm,n de Snedecor
George Waddel Snedecor (1881-1974). Sean U y V dos variables independientes distribuidas
seg
un leyes ji-cuadrado de m y n grados de libertad respectivamente, la variable X,
X=

U/m
,
V /n

se dice que es una variable Fm,n de Snedecor con m y n grados de libertad, en el numerador y
denominador respectivamente.
La funci
on de densidad viene dada por la expresi
on,

f (x; m, n) =

(m/n)m/2
( m
,n)
2 2

xm/21
(m+n)/2
m
1+
( n x)

para x > 0 y m, n > 0

en el resto.

La Esperanza y la Varianza de una distribuci

on Fm,n son:
E(X) = =
Var(X) = 2 =

n
, para n > 2, indefinida para otros valores.
n2

2n2 (m + n 2)
, para n > 4, indefinida para otros valores.
m(n 2)2 (n 4)

2.0

Distribucin F: m,n

m=1, n=1

m=2, n=1

1.5

m=5, n=2

1.0

m=100, n=100

0.0

0.5

Densidad

m=100, n=1

Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 34 / 37

27

Distribuci
on Fm,n de Snedecor
Propiedad: Si X Fm,n entonces

1
X

Fn,m .

La Funci
on de Distribuc
on F (x) nos permite saber, dada una variable aleatoria X Fm,n ,
Z a
f (x; m, n)dx.
P(X < a) = p =
0

El c
alculo de esta integral se encuentra en la Tabla de distribuci
on Fm,n de Snedecor.
> qf(0.95,df1=3,df2=4)
[1] 6.591382
Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 35 / 37

28

Distribuci
on Fm,n de Snedecor
M
as en concreto la Funci
on de Distribuci
on Inversa: para distintos valores de m, n y de p se
puede buscar en la tabla su cuantil a.

0.3
0.2

Densidad

0.4

0.5

F m=5,n=2, P(X<a)=p=F(a)

0.0

0.1

a
0

Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 36 / 37

Fm,n de Snedecor con R

Distribuci
on Fm,n de Snedecor:
>
>
+
>
>
>
>
>
>
>
>
>
>
>

x <- seq(0, 8, length=400)

plot(x, df(x, df1=1, df2=1), xlab="f", ylab="Densidad",
main="Distribuci
on F: m,n", type="l")
abline(h=0, col="gray")
abline(v=0, col="gray")
text(6,2,"m=1, n=1",col="black")
lines(.x, df(x, df1=2, df2=1),col="blue")
text(6,1.8,"m=2, n=1",col="blue")
lines(.x, df(x, df1=5, df2=2),col="green")
text(6,1.6,"m=5, n=2",col="green")
lines(.x, df(x, df1=100, df2=1),col="red")
text(6,1.4,"m=100, n=1",col="red")
lines(.x, df(x, df1=100, df2=100),col="pink")
text(6,1.2,"m=100, n=100",col="pink")

Licesio J. Rodrguez-Arag
on

Tema 3, Unidad 4 37 / 37

29