Beruflich Dokumente
Kultur Dokumente
CAPITULO 5
Funcin de Distribucin Especiales
Universidad de Chile
Economa & Negocios
FUNCIONES DE DISTRIBUCION ESPECIALES.
1. INTRODUCCIN.
En este captulo se define y exponen varias distribuciones especiales que son muy
utilizadas en aplicaciones de probabilidad estadstica. Las distribuciones que se
presentarn aqu incluyen distribuciones discretas y continuas de tipo univariante,
bivariante y multivariante. Las distribuciones discretas univariantes son la binomial, de
Bernoulli y de Poisson. Las distribuciones continuas univariantes son la normal, gamma,
exponencial y beta. Otras distribuciones continuas univariantes son la lognormal, de
Weibull y de Pareto. Tambin se exponen la distribucin discreta multivariante
denominada distribucin multinomial y la distribucin continua bivariante denominada
distribucin normal bivariante.
Es muy importante, a pesar de que no se a discutido con detalle, tener claro que las
estructuras de las funciones de distribuciones se encuentran definidas por una familia
especifica de funciones, como por ejemplo, exponenciales, cuadrticas (polinomios),
logartmicas, cncavas o convexas, pero la forma definitiva, la que representa el
comportamiento final de una poblacin por medio de sus frecuencias depende de los
parmetros que la constituyen. Un ejemplo claro de este punto, es el hecho que una
lnea recta, es una familia de posibles funciones que pueden ser oblicuas, verticales,
horizonales, etc., sin embargo, el grado de inclinacin y contacto con el o los ejes
depender de los valores que tomen su pendiente o intercepto.
Un ejemplo de lo mencionado en el prrafo anterior, es: Supongamos que una funcin
de distribucin de probabilidad des esta definida por la siguiente estructura.
Ax B a x b
f ( x)
0
(1.1)
Adems, por efecto de simplificacin, supongamos que esta funcin es efectivamente una
funcin de distribucin de probabilidades, por lo tanto, sabemos que el rea bajo la curva
dentro del dominio de f ( x) debe ser igual a 1. Ahora, nuestro inters radica en el hecho
de que la funcin de la ecuacin (1.1) es una recta, pero la constitucin final de ella
depender de sus parmetros A (pendiente) y B (intercepto), por lo que para diferentes
combinaciones de estos valores, tendremos diferentes distribuciones de probabilidades
finales. Esto quiere decir, que al ser la funcin de distribucin el reflejo del
comportamiento poblacional, entonces sus caracterstica poblaciones (parmetros)
perimitiran diferencias una poblacin de otra cuando estas pertenezcan a la misma
Pagina 1
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
familia, ya sea porque una tiene mayor pendiente que la otra o porque una se desfasa ms
que la otra.
Es por esta razn que muchas de las funciones que veremos a continuacin se describirn
bajo la premisa de valores paramtricos conocidos, por ejemplo en nuestro caso de la
lnea recta, la funcin ser denotada como:
f ( x / A, B ) Ax B
x [ a, b]
(1.2)
Pr( X 0) 1 p
(1.3)
x 0,1
(1.4)
Pagina 2
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
x 0,1, 2,..., T
(1.5)
Pagina 3
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
2.iii. (t ) E (exp(tX )) ( pe t q ) T
Demostracin
Para efecto de desarrollo se demostraran las propiedades 2.i y 2.ii, mientras que la 2.iii
quedar propuesta para el lector.
En este caso corresponde a que el valor esperado de Binomial se describe como:
E ( X ) Tx 0 Tx xp x (1 p )T x
T!
x !(T x )!
T 1)!
xp x (1 p)T x TpTx 1 ( x (1)!(
p x 1 (1 p )T x
T x )!
(1.6)
N!
y !( N y )!
p y (1 p) N y (1.7)
Sin embargo, la sumatoria del lado derecho de la ecuacin (1.7) es igual a 1, por
definicin de funcin de distribucin de probabilidad, as que la expresin anterior se
reduce a:
E ( X ) Tp
E ( X ( X 1)) Tx 2
T (T 1)(T 2)!
x ( x 1)( x 2)!(T x )!
T 2)!
xp x (1 p )T x T (T 1) p 2 Tx 1 ( x (2)!(
p x 2 (1 p)T x
T x )!
E ( X ( X 1)) T (T 1) p 2 Tx 2 Tx 22 p x 2 (1 p )T x
Pagina 4
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
x e
x 0,1,2,...,
x!
(1.8)
Est claro que f ( x / ) es positiva para todos los valores de x . Para verificar que la
funcin f ( x / ) definida por la ecuacin (1.8) satisface los requisitos de toda funcin de
distribucin, se debe demostrar que x 0 f ( x / ) 1 . Se sabe de clculo que para todo
nmero real ,
e
x 0
x
x!
lim
x 0
(1.9)
x!
Por tanto,
e
x 0
f ( x / ) e
x 0
x!
e e 1
(1.10)
x 0
xf ( x / )
x 0
e x
x!
x 1
e x
x!
e x 1
x 1 ( x 1)!
(1.11)
Pagina 5
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
x!
2 x 0
e x 2
( x 2)!
(1.12)
(1.13)
De esta forma de la ecuacin (1.10) y (1.13) se puede determinar que la varianza de esta
variable corresponde a:
var( X ) E ( X 2 ) [ E ( X )] 2
(1.14)
x 0
e tx f ( x / ) e
( e t ) x
exp[ (e t 1)]
x 0
x!
(1.15)
1 5
1 7
f (5 / 12 ,12) 12
5 ( 2 ) (1 2 )
Pero:
12
5
12!
5!7!
89101112
123 45
891112
13 4
8911
1
8 9 11 792
Pagina 6
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
El lector debe tener presente que el resultado puede quedar expresado como 99 sobre
512, ms que 0.1933, de hecho para una decisin practica y bsicamente se pudo
aproximar a 1 de cada 5 casos, con lo cual habra sido posible sacar conclusiones sin
perdida de generalidad.
Ejemplo 2. Encuentre la probabilidad de que siete de 10 personas se recuperarn de una
enfermedad tropical si podemos suponer que la recuperacin son eventos independientes
y la probabilidad de que cualquiera de ellos se recuperar de la enfermedad es 0.80.
Respuesta
Al sustituir x 7 , n 10 y p 0.8 en la frmula para la distribucin Binomial,
obtenemos.
4 7 1 3
f (7 / 0.8,10) 10
7 (5) (5)
10!
7!3!
( 54 )7 ( 15 )3
8910
1 23
4 3 10 5410 0.20
7
2 x e 2
x!
x 0,1, 2,...,
2 0 e 2
0,1353
0!
Pr( X 1/ 2)
21 e 2
0, 2707
1!
Pagina 7
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
Pr( X 2 / 2)
22 e 2
0, 2707
2!
1
ba
a xb
(1.16)
Pagina 8
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
e x
x0
(1.17)
Donde es cualquier nmero positivo, entonces se dice que X sigue una distribucin
exponencial
Propiedad 5. Si X tiene una distribucin de exponencial con parmetro , entonces
se debe cumplir que:
5.i. E (X )
5.ii. var( X ) 2
5.iii. (t ) E (exp(tX )) (1 t ) 1
Aunque el lector debe tener presente que la funcin de distribucin de probabilidades
exponencial puede presentarse tambin de la siguiente forma:
f ( x / ) e x
x 0, 0
Esta forma, como podr darse cuenta el leedor es igual a la de la exponencial, para ello
slo deberamos imponer que 1 y recuperaramos la misma funcin definida en la
ecuacin (1.17). Sin embargo, en una buena parte de la literatura se utiliza esta ultima
expresin de la funcin exponencial y que en este caso la esperanza y varianza seran 1
y 2 , respectivamente.
Ejemplo 4. En una cierta localidad de la autopista 78, el nmero de autos que exceden
el lmite de velocidad en ms de 10 Kilmetros por hora en media hora es una variable
aleatoria que tiene una distribucin de Poisson con 8.4 . Cul es la probabilidad de
que el tiempo de espera entre autos que exceden el lmite de velocidad en ms de 10
Km/Hr sea menor a 5 minutos?
Respuesta
Al usar media hora como la unidad de tiempo, tenemos que lamba puede ser equivalente
a el inverso de beta. Por consiguiente, el tiempo de espera es una variable aleatoria que
tiene una distribucin exponencial con 8.41 y, puesto que 5 minutos es 16 de la unidad
de tiempo, encontraremos que la probabilidad deseada es:
Domf
x2
1/ 6
x1
f ( x / )dx 1e x / dx
8.4e8.4 x dx e8.4 x
1/ 6
0
e 1.4 1 0.75
Pagina 9
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
Claramente los trminos que no tienen comportamiento aleatoria no sufren cambio con
la funcin esperanza, lo que hace poder sacarlo de esta, sin embargo, no debemos olvidar
que la esperanza es un operador lineal, por lo tanto, el valor esperado de la suma de
variables aleatorias es la suma de los valores esperados por separado, es decir,
E ( xT ) T 1Ti 1 E ( xi )
Pero, todos los xs tienen el mismo valor esperado, recuerde que son idnticamente
distribuidos, por lo tanto, tenemos que:
E ( xT ) T 1Ti 1 T 1T
Ahora con respecto a la varianza tenemos algo un poco ms complicado, ya que esta no
es lineal, sin embargo, puede tener un comportamiento parecido al lineal si las variables
sean independientes, para entender mejor este concepto, vamos a realizar el siguiente
procedimiento, recordemos que la varianza de la suma de dos variables aleatorias
corresponde a:
var( X Y ) var( X ) var(Y ) 2 cov( X , Y )
Pagina 10
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
var( X Y ) var( X ) var(Y )
De esta forma podemos ver que cuando se suman variables independientes, entonces es
posible afirmar que es igual a la suma de las varianzas por separado. Entonces, para
nuestro problema tenemos
var( xT ) var(T 1Ti 1 xi ) T 2 var(Ti 1 xi )
var( xT ) T 2 Ti 1 var( xi ) T 2 Ti 1 2 T 1 2
Pagina 11
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
f ( x / , 2 )
1
2 2
exp 21 2 ( x ) 2
x IR
(1.18)
t IR
N ( , 2 )
Ahora, la media proporciona una medida de posicin central, mientras que la varianza da
una medida de dispersin alrededor de la media. Luego los valores que toman los
parmetros y 2 tienen diferentes efectos en la funcin de densidad de una variable
aleatoria normal. La figura 2 muestra la funcin de densidad de dos distribuciones
normales con varianza comn pero diferentes medias. Puede verse, que incrementar la
media, dejando constante la varianza, traslada la funcin de densidad pero no altera su
forma. En la figura 3 las funciones de densidad representadas corresponden a variables
aleatorias normales con media comn pero diferentes varianzas. Ambas son simtricas
alrededor de la media comn, pero la que tiene mayor varianza es ms dispersa.
Pagina 12
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
2 2
F ( x0 )
exp 21 2 ( x ) 2 dx
Pagina 13
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
1
2
1
exp z 2
2
z0
z0
( z0 ) ( z / 0,1)dz
z IR
exp 12 z 2 dz
(1.19)
(1.20)
Pagina 14
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
Pero Pr(a a) es uno, ya que una constante nunca cambia de posicin por lo que se
tiene certeza absoluta de su valor, por esta razn, al reemplazar los valores tenemos que:
Esto es simplemente para simplificar el clculo, sin embargo, el lector podr extender este ejercicio a
variables aleatorias continuas, cambiando solamente el signo de desigualdad.
Pagina 15
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
Pr( X a x0 a) p 1 p
(1.21)
Sin embargo, esta expresin puede ser fcilmente extensible a una variable aleatoria
continua, como:
Pr( X x0 ) Pr( X a x0 a )
(1.22)
(1.23)
Pr( X x0 ) Pr
Pr Z X
Sabemos que Z X tiene comportamiento normal, pero todava no podemos afirmar que
esta normalidad viene de una distribucin estndar. Para determinar ello es necesario
determinar el valor esperado (media) y la varianza de esta variable aleatoria. Es decir,
E[ 1 ( X )] 1 E[ X ] 1[ E ( X ) E ( )]
Pagina 16
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
670 395
168
) Pr( Z X
670 395
168
) Pr( Z X 1.64)
PSU, Prueba de Seleccin Universitaria, la cual se aplica en Chile desde el 2003 y rinden todos los
alumnos que hallan cursado su enseanza media.
Pagina 17
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
1
2
exp 12 ( z12 z 22 )
(1.24)
(1.25)
(1.26)
Pagina 18
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
x 2
1
1
1
exp
2 12
2
2 (1 ) 1 2
1
2(1 )
1
x 1 x 2 2 )
2 1
1 2
2
x 2 )
2
2
(1.27)
var( X i ) i2
(X1, X 2 )
i 1,2
cov( X 1 , X 2 )
1 2
Pagina 19
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
x IR
(1.28)
Donde 0 , 0 y k debe ser tal que el rea total bajo la curva sea igual a 1. Para
evaluar k , primero hacemos la substitucin y x , lo cual nos da
kx 1e x dx k
( )
y 1e y dy
(1.29)
(1.30)
y 1e y dy
Que se trata en detalle en muchos de los textos de clculo avanzado. Al integrar por
parte y asumiendo que es un parmetro, encontramos que la funcin gamma satisface
la frmula recursiva.
( ) ( 1) ( 1)
(1.31)
e y dy 1
kx 1e x dx k ( ) 1
Y por tanto
k
( )
(1.32)
Pagina 20
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
( )
x 1 e x
x IR
(1.33)
t 1
( ) 1
x (1 x ) 1
( )( )
0, 0
(1.34)
Donde 0 y 0 .
En aos recientes, la distribucin beta ha encontrado aplicaciones importantes en la
inferencia bayesiana, donde los parmetros se consideran como variables aleatorias, y hay
necesidad de una densidad de probabilidad bastante flexible para el parmetro de la
distribucin binomial, el cual slo toma valores distintos a cero en el intervalo desde 0
hasta 1. Con flexible queremos decir que la densidad de probabilidad puede tomar una
gran variedad de formas diferentes.
No demostraremos aqu que el rea total bajo la curva de la distribucin beta, como la de
cualquier densidad de probabilidad, es igual a 1, pero en la demostracin del teorema
que sigue, nos valdremos del hecho que
( ) 1
x (1 x) 1 dx 1
0 ( ) ( )
1
(1.35)
Pagina 21
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
x 1 (1 x) 1 dx
( )
B ( , )
( )( )
(1.36)
Esta integral define la funcin beta, cuyos valores se denotan por B( , ) . En cualquier
libro de texto avanzado se puede encontrar un anlisis detallado de funcin beta.
Propiedad 8. Si X tiene una distribucin Beta con parmetros y ,
respectivamente, entonces se debe cumplir que:
8.i. E ( X )
8.ii. var( X )
( ) ( 1)
2
Pagina 22
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
f ( x, y )
f ( x, y )dy
f ( x, y )
f x ( x)
f ( x | y)
f ( x, y )
f ( x, y )dx
f ( x, y )
f y ( y)
(1.37)
(1.38)
E (Y | x) y
si y es discreta
y yf ( y | x )
(1.39)
(1.40)
Pagina 23
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
(1.41)
cov( X , Y )
V[X ]
(1.42)
(1.43)
Pagina 24
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
(1.44)
P e
P!
P 0,1,2,...
(a bR ) P e ( a bR )
,
P!
P 0,1,2,...
Que capta el efecto que buscbamos. Observar un gran nmero de patentes puede
reflejar un valor alto del proceso POISSON, o bien puede que se derive de un valor
inusualmente alto de R .
Pagina 25
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
E[ R] e 1,65
Cuando se modelan distribuciones de tamao, tales como la distribucin del tamao de las
empresas en una industria o la distribucin de la renta en un pas, la distribucin lognormal
(LN), que representamos por LN [ , 2 ] es especialmente til.
f (x | , 2 )
1
2 x
exp 12 [(ln x ) / ] 2
12 2
y V [ X ] e2 (e 1) la relacin en las
2
Pagina 26
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
Por tanto,
V [Y ] Varianza de regresin Varianza residual
Varianza de Regrersin
Varianza Total
18,6
0,812
22,9
Esto nos indica que aproximadamente el 81% de la varianza es explicada por la varianza
de la regresin.
En el contexto de una regresin lineal, el coeficiente de determinacin surge de otra
relacin que subraya la interpretacin del coeficiente de correlacin.
Si E[Y | x] a bx , entonces el coeficiente de determinacin CoD 2 , donde 2 es la
correlacin al cuadrado entre x e Y . Podemos concluir que el coeficiente de
Pagina 27
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
(1.45)
lim Pr[ X T ] 1
(1.46)
O equivalentemente
T
T2 c , entonces ( X T T ) 0 .
Demostracin
Se sabe que var( X T ) T 2 Ti 1 i2 T 1c . Por la desigualdad de Chebyshev5,
Pr( xT cT ) 2 E[( xT cT ) 2 ]
Pagina 28
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
Pr[ X T T ]
var( X T )
c
T 2
(1.47)
En este caso tenemos que cuando T tiende a infinito el lado derecho de la ecuacin
(1.47) converge a cero y como la probabilidad no puede ser negativa, entonces se
demuestra que el trmino descrito converge el cero.
Teorema 8. Markovs
Sea X T una sucesin de variables aleatoria con media finita T , y sea X T T 1Ti 1 X i y
p
Teorema 9. Kolmogorovs
Sea X T T 1Ti 1 X i y T T 1Ti 1i , y adems se define ZT X T T . Una condicin
p
necesaria y suficiente para que se cumpla WLLN, debe ocurrir que ZT 0 y que
lim E[ ZT2 /(1 ZT2 )] 0 .
T
5.2. La Ley Fuerte de los Grandes Nmeros
La WLLN indic que bajo ciertas condiciones la media muestral converge en
probabilidad a la media poblacional. Sin embargo, podemos en efecto hacer una
derivacin ms fuerte, la cual se puede indica como que la media muestral converge
almost surely a la media poblacional. Esto se conoce como la ley fuerte de los grandes
nmeros (SLLN que en ingles quiere decir Strong Law of Large Numbers), las bases de
estos resultados que se presentan a continuacin los cuales se apoyan en la dependencia
de las observaciones, su heterocedasticidad y momentos.
Teorema 10.
a.s.
Pagina 29
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
Teorema 11.
Si las X t s son independientes ( E ( X t ) t ) con varianza finita ( var( X t ) t2 ), y si
a.s.
Teorema 12.
a.s.
(1.48)
(1.49)
XT E( XT )
var( X T )
ST E ( ST )
var( ST )
(1.50)
Pagina 30
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
E( XT ) p
var( X T )
p(1 p )
2T
p(1 p)
0
2T
T ( X T p)
p (1 p )
N (0,1)
Se debe notar que en el promedio de variables aleatoria Bernoulli se pierde el orden en que salieron los
ceros y unos, por lo tanto, la distribucin de este promedio es la distribucin conjunta de variables
aleatorias Bernoulli sin orden, que corresponde a la descripcin de la distribucin de una Binomial.
Pagina 31
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
Sin embargo, el lector debe notar que esto se cumplir siempre y cuando el
nmero de observaciones sea sustancialmente grande, es decir que con 30 50
observaciones posiblemente no pudramos concluir lo mismo.
Teorema de Lindberg-Levy: La sucesin utilizada son IID con varianza finita.
Teorema Liapounov: Las X s son independientes con E ( X i ) i , var( X i ) i2 ,
2
E[ X i i
] i ( 0 ), y
(Ti1 i ) 2
0
T (T 2 ) 2
i 1 i
lim
1
sT2
i 1
x i ST
( x i ) 2 dFi ( x) 0
Teorema 15.
D
Distribucin lmite normal de una funcin. Si T ( z T )
N [0, 2 ] y si g ( z T ) es
una funcin continua que no dependen de T , entonces
D
T [ g ( z T ) g ( )]
N [0, ( g ( )) 2 2 ]
(1.43)
(1.44)
Estos resultados sugieren que los momentos de la distribucin lmite son los lmites
ordinarios de los momentos de la distribucin de la muestra finita. Esto es casi siempre
cierto, pero no necesariamente tiene por que ser as. Es posible construir ejemplos en los
que los momentos para muestras finitas ni siquiera existen, mientras que los momentos
de la distribucin lmite estn bien definidos. Incluso en esos casos, generalmente es
posible encontrar la media y la varianza de la distribucin lmite.
Las distribuciones lmite, as como los lmites en probabilidades, pueden simplificar de
manera importante el anlisis de algn problema concreto. Algunos resultados en los que
se combinan ambos tipos de convergencia se presentan a continuacin.
Pagina 32
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
APNDICE: TABLA
I. DISTRIBUCIN NORMAL ESTANDAR.
Forma funcional:
Pr( Z z0 ) ( z0 )
1
exp s 2 ds
2
2
1
z0
Forma grfica:
0,00
0,0002
0,0003
0,0005
0,0007
0,0010
0,0013
0,0019
0,0026
0,0035
0,0047
0,0062
0,0082
0,0107
0,0139
0,0179
0,0228
0,0287
0,0359
0,0446
0,0548
0,0668
0,0808
0,0968
0,1151
0,1357
0,1587
0,1841
0,2119
0,01
0,0002
0,0003
0,0005
0,0007
0,0009
0,0013
0,0018
0,0025
0,0034
0,0045
0,0060
0,0080
0,0104
0,0136
0,0174
0,0222
0,0281
0,0351
0,0436
0,0537
0,0655
0,0793
0,0951
0,1131
0,1335
0,1562
0,1814
0,2090
0,02
0,0002
0,0003
0,0005
0,0006
0,0009
0,0013
0,0018
0,0024
0,0033
0,0044
0,0059
0,0078
0,0102
0,0132
0,0170
0,0217
0,0274
0,0344
0,0427
0,0526
0,0643
0,0778
0,0934
0,1112
0,1314
0,1539
0,1788
0,2061
0,03
0,0002
0,0003
0,0004
0,0006
0,0009
0,0012
0,0017
0,0023
0,0032
0,0043
0,0057
0,0075
0,0099
0,0129
0,0166
0,0212
0,0268
0,0336
0,0418
0,0516
0,0630
0,0764
0,0918
0,1093
0,1292
0,1515
0,1762
0,2033
0,04
0,0002
0,0003
0,0004
0,0006
0,0008
0,0012
0,0016
0,0023
0,0031
0,0041
0,0055
0,0073
0,0096
0,0125
0,0162
0,0207
0,0262
0,0329
0,0409
0,0505
0,0618
0,0749
0,0901
0,1075
0,1271
0,1492
0,1736
0,2005
0,05
0,0002
0,0003
0,0004
0,0006
0,0008
0,0011
0,0016
0,0022
0,0030
0,0040
0,0054
0,0071
0,0094
0,0122
0,0158
0,0202
0,0256
0,0322
0,0401
0,0495
0,0606
0,0735
0,0885
0,1056
0,1251
0,1469
0,1711
0,1977
0,06
0,0002
0,0003
0,0004
0,0006
0,0008
0,0011
0,0015
0,0021
0,0029
0,0039
0,0052
0,0069
0,0091
0,0119
0,0154
0,0197
0,0250
0,0314
0,0392
0,0485
0,0594
0,0721
0,0869
0,1038
0,1230
0,1446
0,1685
0,1949
0,07
0,0002
0,0003
0,0004
0,0005
0,0008
0,0011
0,0015
0,0021
0,0028
0,0038
0,0051
0,0068
0,0089
0,0116
0,0150
0,0192
0,0244
0,0307
0,0384
0,0475
0,0582
0,0708
0,0853
0,1020
0,1210
0,1423
0,1660
0,1922
0,08
0,0002
0,0003
0,0004
0,0005
0,0007
0,0010
0,0014
0,0020
0,0027
0,0037
0,0049
0,0066
0,0087
0,0113
0,0146
0,0188
0,0239
0,0301
0,0375
0,0465
0,0571
0,0694
0,0838
0,1003
0,1190
0,1401
0,1635
0,1894
0,09
0,0002
0,0002
0,0003
0,0005
0,0007
0,0010
0,0014
0,0019
0,0026
0,0036
0,0048
0,0064
0,0084
0,0110
0,0143
0,0183
0,0233
0,0294
0,0367
0,0455
0,0559
0,0681
0,0823
0,0985
0,1170
0,1379
0,1611
0,1867
Pagina 33
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
-0,7
-0,6
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
0,00
0,2420
0,2743
0,3085
0,3446
0,3821
0,4207
0,4602
0,5000
0,5000
0,5398
0,5793
0,6179
0,6554
0,6915
0,7257
0,7580
0,7881
0,8159
0,8413
0,8643
0,8849
0,9032
0,9192
0,9332
0,9452
0,9554
0,9641
0,9713
0,9772
0,9821
0,9861
0,9893
0,9918
0,9938
0,9953
0,9965
0,9974
0,9981
0,9987
0,9990
0,9993
0,9995
0,9997
0,9998
0,01
0,2389
0,2709
0,3050
0,3409
0,3783
0,4168
0,4562
0,4960
0,5040
0,5438
0,5832
0,6217
0,6591
0,6950
0,7291
0,7611
0,7910
0,8186
0,8438
0,8665
0,8869
0,9049
0,9207
0,9345
0,9463
0,9564
0,9649
0,9719
0,9778
0,9826
0,9864
0,9896
0,9920
0,9940
0,9955
0,9966
0,9975
0,9982
0,9987
0,9991
0,9993
0,9995
0,9997
0,9998
0,02
0,2358
0,2676
0,3015
0,3372
0,3745
0,4129
0,4522
0,4920
0,5080
0,5478
0,5871
0,6255
0,6628
0,6985
0,7324
0,7642
0,7939
0,8212
0,8461
0,8686
0,8888
0,9066
0,9222
0,9357
0,9474
0,9573
0,9656
0,9726
0,9783
0,9830
0,9868
0,9898
0,9922
0,9941
0,9956
0,9967
0,9976
0,9982
0,9987
0,9991
0,9994
0,9995
0,9997
0,9998
0,03
0,2327
0,2643
0,2981
0,3336
0,3707
0,4090
0,4483
0,4880
0,5120
0,5517
0,5910
0,6293
0,6664
0,7019
0,7357
0,7673
0,7967
0,8238
0,8485
0,8708
0,8907
0,9082
0,9236
0,9370
0,9484
0,9582
0,9664
0,9732
0,9788
0,9834
0,9871
0,9901
0,9925
0,9943
0,9957
0,9968
0,9977
0,9983
0,9988
0,9991
0,9994
0,9996
0,9997
0,9998
0,04
0,2296
0,2611
0,2946
0,3300
0,3669
0,4052
0,4443
0,4840
0,5160
0,5557
0,5948
0,6331
0,6700
0,7054
0,7389
0,7704
0,7995
0,8264
0,8508
0,8729
0,8925
0,9099
0,9251
0,9382
0,9495
0,9591
0,9671
0,9738
0,9793
0,9838
0,9875
0,9904
0,9927
0,9945
0,9959
0,9969
0,9977
0,9984
0,9988
0,9992
0,9994
0,9996
0,9997
0,9998
0,05
0,2266
0,2578
0,2912
0,3264
0,3632
0,4013
0,4404
0,4801
0,5199
0,5596
0,5987
0,6368
0,6736
0,7088
0,7422
0,7734
0,8023
0,8289
0,8531
0,8749
0,8944
0,9115
0,9265
0,9394
0,9505
0,9599
0,9678
0,9744
0,9798
0,9842
0,9878
0,9906
0,9929
0,9946
0,9960
0,9970
0,9978
0,9984
0,9989
0,9992
0,9994
0,9996
0,9997
0,9998
0,06
0,2236
0,2546
0,2877
0,3228
0,3594
0,3974
0,4364
0,4761
0,5239
0,5636
0,6026
0,6406
0,6772
0,7123
0,7454
0,7764
0,8051
0,8315
0,8554
0,8770
0,8962
0,9131
0,9279
0,9406
0,9515
0,9608
0,9686
0,9750
0,9803
0,9846
0,9881
0,9909
0,9931
0,9948
0,9961
0,9971
0,9979
0,9985
0,9989
0,9992
0,9994
0,9996
0,9997
0,9998
0,07
0,2206
0,2514
0,2843
0,3192
0,3557
0,3936
0,4325
0,4721
0,5279
0,5675
0,6064
0,6443
0,6808
0,7157
0,7486
0,7794
0,8078
0,8340
0,8577
0,8790
0,8980
0,9147
0,9292
0,9418
0,9525
0,9616
0,9693
0,9756
0,9808
0,9850
0,9884
0,9911
0,9932
0,9949
0,9962
0,9972
0,9979
0,9985
0,9989
0,9992
0,9995
0,9996
0,9997
0,9998
0,08
0,2177
0,2483
0,2810
0,3156
0,3520
0,3897
0,4286
0,4681
0,5319
0,5714
0,6103
0,6480
0,6844
0,7190
0,7517
0,7823
0,8106
0,8365
0,8599
0,8810
0,8997
0,9162
0,9306
0,9429
0,9535
0,9625
0,9699
0,9761
0,9812
0,9854
0,9887
0,9913
0,9934
0,9951
0,9963
0,9973
0,9980
0,9986
0,9990
0,9993
0,9995
0,9996
0,9997
0,9998
0,09
0,2148
0,2451
0,2776
0,3121
0,3483
0,3859
0,4247
0,4641
0,5359
0,5753
0,6141
0,6517
0,6879
0,7224
0,7549
0,7852
0,8133
0,8389
0,8621
0,8830
0,9015
0,9177
0,9319
0,9441
0,9545
0,9633
0,9706
0,9767
0,9817
0,9857
0,9890
0,9916
0,9936
0,9952
0,9964
0,9974
0,9981
0,9986
0,9990
0,9993
0,9995
0,9997
0,9998
0,9998
Pagina 34
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
APNDICE: USO
II. USO DE TABLA NORMAL PARA CLCULO DE PROBABILIDAD Y
TEOREMA CENTRAL DEL LMITE
2.1. Simetra de la Normal
Suponga una distribucin normal estndar, la cual representaremos por medio de la
siguiente figura.
Y que
z2
z2
z2
Pero como la distribucin normal estndar es simtrica con respecto a cero, tenemos
z2 z1 , de esta forma las probabilidades antes mencionadas se pueden descomponer de
la siguiente forma:
Pr( z1 Z z2 ) Pr( Z z2 ) Pr( Z z1 ) 0.9
Pr( Z z2 ) 0,95
Pr( Z z1 ) 0.5
Pagina 35
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
Claramente se puede apreciar que la resta genera el valor 0.9, que interpretaremos como
el conjunto de valores que posee un 90% de representatividad.
Ahora podemos calcular cada probabilidad por separado, y encontrar que son iguales en
modulo, por lo tanto, primero determinaremos el valor de z2 .
Clculo de z2 , en base a Pr( Z z2 ) 0,95 . Primero debemos tener presente que en la
tabla aparecen una primera columna y una primera fila que se encuentra oscurecidas en
el cuadro a.
Pagina 36
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
Entonces, podemos concluir que el rango que tiene un 90% de representatividad en una
distribucin normal se encuentra dentro [1, 65;1, 65] .
2.2. Otro tipo de clculo por medio de la tabla estndar.
Suponga que cuenta con una muestra aleatoria de tamao N obtenida de una poblacin
que posee una distribucin normal con media y varianza 2 , la cual informa que el
40% de las observaciones son menores a 20 y el 45% son menores a 35. Estime en forma
aproximada el valor de la media y de la varianza.
Para poder realizar este clculo debemos suponer que la muestra es lo suficientemente
grande como para ser representativa de la poblacin, por lo tanto, el enunciado anterior
se puede expresar en trminos estadsticos como:
Pr( X 20) 0, 40
Tambin sabemos que las probabilidades de variables normales pueden ser llevada a una
normal estndar, es decir,
Pr[ 1 ( X ) 1 (20 )] 0, 40
Sin embargo, al hacer este cambio hemos igualado la probabilidad de una normal
cualquiera a la probabilidad de una normal estndar. De esta manera para la probabilidad
de 0.4 el valor de eje ( z ) se encuentra aproximadamente en el valor de -0.25, segn se
muestra en el crculo del cuadro c.
(20 ) 0, 25
Pagina 37
ESTADSTICA
CAPITULO 5
Funcin de Distribucin Especiales
y2 y1
( x x1 ) y1
x2 x1
Por lo tanto, de la tabla sabemos que para un valor de eje igual a -0,12 la probabilidad
acumulada es 0.4522, mientras que para un valor de eje igual -0,13 la probabilidad
acumulada respectiva es igual 0.4483 (ver cifras encerradas en un cuadrado, en el
cuadro c), que al ser utilizado como puntos, hace que la recta quede expresada como
y
0,13 0,12
( x 0, 4522) 0,12
0, 4483 0, 4522
Entonces, podemos concluir que para una probabilidad acumulada de 0.45, el valor de
eje corresponde a -0,126.
De esta forma al igual las probabilidades tenemos nuestra segunda ecuacin, es decir,
1
(35 ) 0,126
0,126 35
Que una vez resuelto nos entrega que un valor aproximado de la media es 50.24 y para
la desviacin estndar es 120.97, con lo cual podemos sealar que la varianza
corresponde a 14633.74.
Pagina 38