UNIDAD III

Bioestadstica

DISTRIBUCIONES CONTINUAS
1. Modelo Uniforme
Se aplica a una variable que puede asumir con igual probabilidad cualquier valor
real dentro de un intervalo acotado , , con
. Luego, la masa total de probabilidad
se distribuye en forma uniforme o constante en todo el intervalo. Tambin se la conoce
con el nombre de distribucin rectangular por la representacin grfica de su funcin de
densidad.
La funcin de densidad de la variable uniforme tiene la siguiente expresin y
representacin grfica.
1

f ( x) =
0

f (x)

si x
x

Por lo tanto, la probabilidad de que la variable tome valores dentro de un intervalo

incluido en el recorrido, o sea, ,
, , es proporcional a la longitud de dicho intervalo.
, entonces
con lo cual se deduce que
Si
, con
,
corresponden idnticas probabilidades a intervalos de igual amplitud, siempre que dichos
.
intervalos estn incluidos en ,
Se verifican las condiciones de no negatividad y de cierre, requisitos para ser
considerada funcin de densidad:
1
1.) f ( x) =
0 x R x pues >

2) f ( x)dx =

1
1
dx =
( ) = 1

La funcin de distribucin acumulada

siguiente forma:
0
x
F ( x) =

1

se expresa y grfica de la

si x <

F (x)

si x

si >

Sus parmetros son y , y representan los lmites del recorrido de la variable

La notacin usada es ~
, :
Las caractersticas de posicin y dispersin son su esperanza y variancia:

E(X ) =

+
2

V (X ) =

Modelos de Probabilidad Continuos

( ) 2
12

(X ) =

12

UNIDAD III

Bioestadstica

2. Modelo Exponencial
Se aplica a una variable aleatoria continua que puede asumir cualquier valor
positivo, pero la densidad de probabilidad va disminuyendo conforme la variable asume
valores mayores.
Su funcin de densidad y representacin grfica correspondiente es la siguiente:

1 e 1 x

f ( x) =

f(x)

0,1

si x 0

0,08

si x < 0

= 12.5

0,06
0,04
0,02
0
0

10

20

30

40

50

60

Veamos que verifica con las condiciones de no negatividad y de cierre, requisitos

para ser considerada funcin de densidad:
1 1 x
1.) f ( x) = e 0 x R , pues > 0

2)

f ( x)dx =

1 x
1 1 x
e
dx = e
= (0 1) = 1

La funcin de probabilidad acumulada

dada por:
x

F ( x) =

1 1 s

, para los valores positivos de , est

ds = e

1 x x

x
x
= e 1 = 1 e

Luego, la funcin de Distribucin y su grfico correspondiente es:

0
F ( x) =
1 x
1
e

F(x)

si x < 0

1,2
1
0,8
0,6
0,4
0,2
0

si x 0

= 12.5

0
Su nico parmetro es , y su notacin es
La esperanza y la variancia son:
E (X ) =

V (X ) = 2

20

40

60

(x) =

Propiedad de carencia de memoria:

T ~ exp( )

P (T > t + s / T > s ) = P (T > t)

Verificacin :
T ~ exp( )

F (t ) = 1 e .t

P(T > t + s / T > s ) =

P(T > t ) = e .t

P(T > t + s T > s )

P(T > t + s)
e .(t + s )
=
=
= e .(t + s ) + .s = e ..t = P(T > t )
P(T > s )
P(T > s)
e . s

Modelos de Probabilidad Continuos

UNIDAD III

Bioestadstica

3. Modelo Normal
Es el ms utilizado en las experiencias cientficas, razn por la que se le da mayor
importancia. La ecuacin de esta curva fue originalmente publicada en 1733 por Moivre
quien no supo aplicar sus resultados a las observaciones (como lmite de la binomial). Al
mismo
resultado
llegan
dos
astrnomos
matemticos
Laplace
y
Gauss,
independientemente uno del otro. Llegaron a ella estudiando la distribucin de los errores
de las observaciones, en particular los errores producidos en la medicin de las rbitas de
los astros. Existen importantes razones para afirmar que es la distribucin ms
significativa del anlisis estadstico.
Una importante cantidad de poblaciones correspondientes a variables aleatorias
continuas siguen la ley normal. Ej: estatura de individuos adultos, resistencia a la
traccin de un gran nmero de muestras de acero, dimetro de arandelas, aumento
de peso de animales sometidos a determinadas dietas.
Esta distribucin sirve como buena aproximacin de muchas variables aleatorias
discretas (binomial, poisson)
En teora estadstica, la hiptesis de normalidad de las variables aleatorias, permite
solucionar problemas de tipo terico, justificando o rechazando la aplicacin del
mtodo.
Definicin: Una variable aleatoria continua
de densidad tiene la siguiente expresin:

f ( x) =

1
2

tiene una distribucin Normal si su funcin

2
1 x

para < x <

siendo
una constante cualquiera,
y
una constante positiva,
0. Es una curva
simtrica en forma de campana, asinttica al eje de las abcisas, que alcanza su valor
mximo en
, siendo
, y prcticamente

y tiene dos puntos de inflexin: en

2
es nula para
4. y para
4. .

f(x)

0,35
0,3
0,25
0,2
0,15
0,1
0,05
0

=5
= 1.2

10

11

Veamos que verifica con las condiciones de no negatividad y de cierre, requisitos

para ser considerada funcin de densidad:
Como > 0, entonces
Como

1 x

e 2

2 > 0 , luego f(x) > 0, x R.

dx = 2 ,entonces

Luego f ( x) =

1
2

1 x

e 2

1
2

1 x

e 2

dx = 1 ;

f ( x).dx = 1

es funcin de densidad.

Los parmetros son y , que representan la media y el desvo estndar de la variable

,
La notacin utilizada es ~
La esperanza y la variancia son:
E(X)=
V(X)= 2

Modelos de Probabilidad Continuos

UNIDAD III

Bioestadstica

Grficas de distribuciones normales para distintos valores de los parmetros:

f(x)

0,4

=7
= 1.2

=5
= 1.2

0,3

= 10
=2

0,2

0,1

0
0

10 11 12 13 14 15 16 17 18 19

Funcin de Distribucin (o de probabilidad acumulada):

F ( x) =

f ( s)ds =

1
2

1 s

e 2

ds

para la cual no existe una expresin matemtica. Su representacin grfica es la siguiente:

1,2

F(x)

=5
= 1.2

0,8
0,6
0,4
0,2
0
0

10

11

No contar con una expresin matemtica de

, hace impracticable el clculo inmediato
de las probabilidades.
Por esta razn, se han tabulado los resultados de la funcin de distribucin de una variable
normal con media nula (
0) y variancia igual a la unidad (
1). Esta variable
recibe el nombre de variable normal estndar; y cualquier variable normal puede ser
transformada en una normal standart mediante operaciones matemticas. Ese proceso de
transformacin se denomina estandarizacin:
Variable Normal Estndar
Sea ~
, por lo tanto
y
2
La variable normal standard la simbolizamos con Z y se define:

Z=

y tiene E ( Z ) = 0

y V (Z) = 1

La funcin de densidad de esta variable Z est dada por :

f ( z) =

1
2

1
z2
e 2

para < z <

y su funcin de distribucin acumulada se simboliza universalmente por

.
Existen distintos tipos de tablas que nos brindan estas probabilidades. La ms completa
contiene todos los valores de
para -4 z 4 (para valores de z con dos decimales), ya
que se considera que
0 para z <-4 y
1 para z > 4.
Otra de las tablas contiene los valores de
slo para los valores positivos de z, ya que
por causa de la simetra de la funcin
no es necesario disponer para valores negativos.
Y un tercer tipo de tabla contiene, para los valores positivos de z, (0 z 4), las
probablidades:
0.5
0
Modelos de Probabilidad Continuos

UNIDAD III

Bioestadstica

4. Distribucin Chi-Cuadrado
Surge de la suma de los
cuadrados de variables independientes normales
estandarizadas.
Sean
,
, ,......,
iid (independiente e idnticamente distribuidas)
0,1 y sea
la variable
n

X = Zi2

X = Z12 + Z22 +.....+ Zn2

i =1

La funcin de densidad de esta variable aleatoria

n

1 x

x2 e

f ( x) =

X ~ n2

est dada por la siguiente expresin:

para x 0

(n / 2)

El nico parmetro de esta distribucin es

que representa el nmero de grados de
libertad, y equivale a la cantidad de variables independientes que intervienen en la suma.
Propiedades:
1. Si

2. Si
~

entonces

0,1

son dos variables independientes con:

entonces

(propiedad aditiva)

3. De las dos primeras propiedades se deduce que si

~ 0,1 y
,
,....,
son
observaciones de la variable que constituyen una muestra al azar, entonces:
~

4. De esta ltima propiedad (3), se deduce que si

~
,
y
, ,....,
son
observaciones de la variable que constituyen una muestra al azar, entonces:

ya que

0,1

1, 2, ,

5. Si ~ , entonces
y
2
la distribucin queda completamente
definida por sus grados de libertad, que constituyen su nico parmetro.
6. Esta variable, por ser una suma de cuadrados, siempre toma valores positivos,
por lo tanto vara de cero a infinito.
7. La distribucin de la variable es asimtrica a derecha. Sin embargo, cuando
aumenta, se aproxima a la distribucin Normal. Es decir
D

n N ( n , 2 n )
2

cuando n

si X ~ n , entonces
2

X n

N ( 0,1)

cuando n

2n

0,1

f(x)
n=5

0,08
0,06
0,04

n = 15
0,02
0
0

Modelos de Probabilidad Continuos

10 12 14 16 18 20 22 24 26 28 30 32 34

UNIDAD III

Bioestadstica

5. Distribucin T-Student
Surge del cociente de una variable normal estndar y la raz cuadrada de una
variable chi cuadrado dividido sus grados de libertad, siendo las variables independientes.
y sea la
Sean
e
dos variables aleatorias independientes con
~ 0,1 e
~
variable
X=

Z
Y/n

X ~ tn

La funcin de densidad de esta variable aleatoria X est dada por la siguiente expresin:

f ( x) =

n + 1
n +1

2
1
x 2
2

.
.1 +
n
n
n

2

, < x <

El nico parmetro de esta distribucin es

que representa el nmero de grados de
libertad, y coincide con el nmero de grados de libertad de la variable chi cuadrado.
Propiedades:
1. La variable t, (como la Normal), toma valores de

, .

X0

2. Si X 0 , X 1 , X 2 ,....... X n iid N ( 0,1) , entonces:

1
n

2
( X1

2
X2

~ tn

2
X3

2
+.......+ X n

3. La distribucin t-Student es simtrica con media y variancia

0 ,
n

4. La

n2

variable

1
,

t-Student tiene mayor dispersin que la Normal estndar

1; pero su variancia tiende a 1 a medida que aumenta
la

distribucin t-Student tiende a la distribucin Normal estndar a medida que

aumentan los grados de libertad. Es decir:
D

t n N ( 0,1) para n

f(x)
0,4

n=5
0,3
0,2
0,1
0
-5

-4

Modelos de Probabilidad Continuos

-3

-2

-1

UNIDAD III

Bioestadstica

6. Distribucin F-Snedecor
Surge del cociente de dos variables chi-cuadrado independientes, cada una dividida
por sus respectivos grados de libertad.
Sean e dos variables aleatorias independientes con:
Z
Z~ m
2

Y ~ n

y sea la var iable X =

La funcin de densidad de esta variable

X ~ Fm ,n

est dada por la siguiente expresin:

n+ m
m
n+ m
n

2 m 2 2 1 mx 2
f ( x) =
, x0
. x 1 +

n m n

n

2 2

Esta distribucin tiene dos parmetros:

y , que representan los grados de
libertad, y estos nmeros coinciden con los grados de libertad de las variables chi cuadrado
del numerador y denominador, respectivamente.
Propiedades:
1. La variable
toma valores positivos, por ser cociente de dos variables que
asumen valores positivos.
2. Si

,......,

iid

0,1 y

,
1

iid

,......,
2

0,1 , entonces:
2

(Y1 + Y2 + Y3 +........+Ym )
m
~ Fm ,n
1 2
2
2
2
( Z 1 + Z 2 + Z 3 +........+ Z m )
n

3. Si

, entonces su media y variancia son:

E( X ) =

n
,n>2
n2

V (X ) =

4. De (2) resulta que: si

, ,......,
iid
,
entonces con
y
independientes, entonces:

1 m Yi y

m i =1 y

1 n Zi z

n i =1 z

2 n 2 ( m + n 2)
,n>4
m(n 2) 2 (n 4)

,......,

iid

Yi y
2

~ m
i =1 y

ya que
~ Fm, n

Z z
2
i
~ n
z
i =1
n

5. La distribucin F-Snedecor es asimtrica a derecha, pero su asimetra se reduce a

medida que aumentan los grados de libertad y .
6. Si

entonces

0,2

f(x)
0,15

n= 65

0,1

0,05
n= 6
0
0

Modelos de Probabilidad Continuos