VALEATORIAS

Notas de Estadstica Aplicada a la Administracin, Contadura, Informtica Administrativa I y Negocios y Comercio Internacionales.
Dr. Francisco Javier Tapia Moreno. Marzo de 2011.
Tema III
Distribuciones discretas y continuas
En este tema analizaremos dos importantes temas de la inferencia estadstica: las distribuciones discretas y las
distribuciones continuas. Las distribuciones discretas son aquellas en las que la variable aleatoria puede pude tomar un
nmero determinado de valores. Por ejemplo, el nmero de trabajadores en cada uno de los departamentos de un centro
comercial o el nmero de automviles ensamblados por da en la planta Ford de Hermosillo.
Las distribuciones continuas son aquellas que la variable aleatoria puede tomar un nmero infinito de posibles valores.
Por ejemplo, el peso promedio de las bolsas de 1 kg de caf mexicano para exportacin puede tomar una infinidad de
valores en un intervalo (0.995kg, 0.996kg., 09965kg., 0.998 kg., 0.9985 kg, , 1.001 kg, 1.005 kg, 1.010 kg., etc.).
Como se mencion en el tema II, una tabla, grfico o expresin matemtica que d las probabilidades con que una
variable aleatoria toma diferentes valores, se llama distribucin de la variable aleatoria. La inferencia estadstica se
relaciona con las conclusiones que se pueden sacar acerca de una poblacin de observaciones basndose en una muestra
de observaciones. Entonces intervienen las probabilidades en el proceso de la seleccin de la muestra; en este caso se
desea saber algo sobre una distribucin con base en una muestra aleatoria de esa distribucin. De tal manera vemos que
trabajamos con muestras aleatorias de una poblacin que es ms grande que la muestra obtenida; tal muestra aleatoria
aislada no es ms que una de muchas muestras diferentes que se habran podido obtener mediante el proceso de
seleccin. Este concepto es realmente importante en estadstica.
3.1. Distribuciones discretas.

Muchas cuestiones de probabilidad, de gran importancia para los gerentes, comprenden resultados aleatorios numricos.
Por ejemplo, el nmero de pasajeros que no hacen uso de una reservacin en una lnea area es de suma importancia al
fijar las polticas de la empresa en lo relativo a este aspecto. El nmero de pasajeros que no se presentan es aleatorio,
vara de un vuelo a otro, como de un da a otro en el mismo vuelo. El nmero de pasajeros que no toman el vuelo es una
variable numrica, y hablar del nmero promedio de pasajeros que no se presentaron tiene un sentido muy claro. El
concepto de variable aleatoria es la idea central para entender los resultados numricos aleatorios.
Variables aleatorias discretas.

Para definir el concepto de variable aleatoria discreta, nos basaremos en el siguiente problema: Suponga que se lanzan
dos dados sobre una mesa y nuestro objetivo es obtener la probabilidad de que la suma de los puntos en los dados sea 11
o 7. Si suponemos que todos los resultados observados al tirar los dados son equiprobables (tienen la misma posibilidad
de salir) entonces el espacio de muestra del experimento, con 36 resultados posibles es
Universidad de Sonora
73
Departamento de Matemticas
TABLA 3.1 ESPACIO DE MUESTRA DEL LANZAMIENTO DE DOS DADOS.
Dado
D
a
d
o
1
1
2
3
4
5
6
1
(1, 1)
(2, 1)
(3, 1)
(4, 1)
(5, 1)
(6, 1)
2
(1, 2)
(2, 2)
(3, 2)
(4, 2)
(5, 2)
(6, 2)
3
(1, 3)
(2, 3)
(3, 3)
(4, 3)
(5, 3)
(6, 3)
4
(1, 4)
(2, 4)
(3, 4)
(4, 4)
(5, 4)
(6, 4)
5
(1, 5)
(2,5)
(3, 5)
(4, 5)
(5,5)
(6, 5)
6
(1, 6)
(2, 6)
(3, 6)
(4, 6)
(5, 6)
(6, 6)
Como nuestro inters es la suma de los puntos observados, si obtenemos el resultado (4 ,3) le asignamos el valor 7, el
cual corresponde a la suma de 4 y 3. Podemos calcular la probabilidad de que la suma sea igual a 7 contando todos los
resultados donde la suma es 7 y dividiendo este valor entre el nmero de casos posibles (36). El evento de que la suma
es 7 contiene 6 resultados (1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1) por lo tanto, la probabilidad de obtener la suma de
6
7 es 36
16 . Podemos repetir el proceso para cada uno de los resultados y obtener la tabla siguiente:
TABLA 3.2. DISTRIBUCIN DE PROBABILIDAD DE LA SUMA OBSERVADA EN EL LANZAMIENTO DE DOS DADOS.
Resultado
Probabilidad
10 11 12
1
36
2
36
3
36
4
36
5
36
6
36
5
36
4
36
3
36
2
36
1
36
Hemos encontrado la distribucin de probabilidad de los valores posibles de la suma al lazar dos dados si D1 representa
el resultado observado en el dado 1 y D2 el resultado que se obtiene en el dado 2, podemos expresar el valor que nos
interesa as: X = D1 + D2. Antes de lanzar los dados, no se sabe qu valores se observarn para D1 y D2, por lo tanto
tampoco se sabe el valor para X.
El valor que X tomar puede variar de tirada en tirada sujeto a la distribucin especificada en la tabla 3.2. As X es una
variable, que asume un nmero finito de valores sujeto a una distribucin de probabilidad. Este es un ejemplo de una
variable aleatoria discreta. Otros ejemplos son las variables D1 y D2. En general, si S es un espacio de muestra con una
medida de probabilidad P, se define una variable aleatoria como una funcin que asigna un nmero real a cada uno de
los elementos de S. Es decir, X es una funcin cuyo dominio es el espacio de muestra S y su rango es el conjunto de los
nmeros reales , en la notacin usual X : S .
As, por ejemplo X = 7 se interpretar como el evento de que se observ el resultado 7 al tirar los dos dados, esto es el
evento (1, 6), (2, 5), (3, 4), (4, 3), (5, 2), (6, 1) ocurri. Por lo tanto, vemos que P(X = 7) = P( (1, 6), (2, 5), (3,
6
16 . Ntese que no obstante de que X es una funcin, usualmente no se escribe el
4), (4, 3), (5, 2), (6, 1) ) = 36
argumento de la funcin, es decir, si s es un elemento del espacio de muestra S, en lugar de escribir X(s), slo
escribimos X. Es comn denotar las variables aleatorias por letras maysculas y los valores que puede tomar por letras
minsculas.
En este caso, la variable X puede asumir un valor de entre un conjunto finito de valores posibles. Cualquier variable que
pueda tomar un nmero finito de valores decimos que es una variable aleatoria discreta. Tambin son variables
aleatorias discretas aquellas que pueden asumir un nmero muy grande o infinito de valores que potencialmente podran
ser contados, tal como el nmero de latas de atn producidas por la empresa Guaymex, el nmero de clientes que han
comprado en las tiendas Mazon desde su apertura, el nmero de estrellas en el firmamento, el nmero de hojas en los
rboles, el nmero de granos de arena en Baha de Kino etc.
74
Ejercicio 3.1. D 6 ejemplos de variables aleatorias discretas. Indique cules pueden tomar un nmero finito de valores
distintos y cules un nmero infinito de valores.
Ejercicio 3.2. D 3 ejemplos de variables aleatorias que no sean discretas.
En la tabla 3.2 observamos que a cada valor posible de X, le asignamos un nmero correspondiente a su probabilidad.
De esta forma podemos definir otra funcin: f ( x ) P( X x ), para cada nmero x en el campo de valores de la
variable X. Esta funcin se llama funcin de probabilidad o distribucin de probabilidad de la variable X. Para el
ejemplo que estamos tratando de la suma en el lanzamiento de dos dados, los valores de esta funcin estn dados en la
tabla 3.3, la cual podemos rescribir utilizando los conceptos estudiados.
TABLA 3.3. DISTRIBUCIN DE PROBABILIDAD DE LA SUMA OBSERVADA EN EL LANZAMIENTO DE DOS DADOS.
x
f ( x)
10 11 12
1
36
2
36
3
36
4
36
5
36
6
36
5
36
4
36
3
36
2
36
1
36
Ejercicio 3.3. Examine la tabla 3.3 y usa la definicin de f ( x ) para deducir algunas propiedades de esta funcin.
Podemos observar que f ( x ) nunca adquiere un valor menor que cero. Esto se debe a que f ( x ) representa una
probabilidad, la cual nunca puede ser negativa. De igual manera f ( x ) nunca puede ser mayor que 1. Si sumamos
todos los valores que puede tomar f ( x ) obtenemos 1, debido a que estamos sumando las probabilidades de que la
variable aleatoria tome uno de los valores establecidos. Por definicin, la funcin de probabilidad tiene las siguientes
caractersticas:
1.
f ( x ) 0 para todo valor x en el dominio.
2.
f ( x ) 1 donde la sumatoria se extiende sobre todos los valores x en el dominio de f.

x
Ejercicio 3.4. Verifica que la funcin f ( x )
x
es una funcin de probabilidad para x = 1, 2, 3, 4, 5. Indique su
15
dominio y su campo de valores.

Ejercicio 3.5. Considera el lanzamiento de 4 monedas al aire. Defina la variable aleatoria Y como el nmero de sellos
observados. Construya la funcin de probabilidad de Y.
Ejercicio 3.6. Considera el lanzamiento de dos dados al aire. Defina la variable aleatoria X como la diferencia de los
puntos observados en los dados. Construya la funcin de probabilidad de X.
Los valores de la funcin de probabilidad, para el caso sumar los resultados al lanzar dos dados, se pueden representar
en una grfica como lo muestra la Figura3.1.
75
0.18
0.16
P( X = x)
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
3 4
8 9 10 11 12
Valor observado de la variable x

Figura 3.1. Histograma de probabilidad de x.
La probabilidad de observar un valor particular de la variable aleatoria, por ejemplo X = 4 est dado por la altura de la
3
barra sobre el 4, es decir P( X 4 ) 36
121 0.083 . De manera similar, en lugar de asociar la altura de la barra
con la probabilidad, podemos ver que el rea de la barra sobre el 4 es
barra es de
3
36
3
36
3
36
121 0.083 , ya que la altura de la
121 0.083 y su ancho es 1. Utilizar el rea de las barras para representar la probabilidad es muy til
para extender la nocin de probabilidad a otras variables.

Ejercicio 3.7. Encuentre las siguientes probabilidades: P( X = 11 ), P( X < 5 ), P( X 6 ), P( X 4.5) y P(X = 7.3)
para el ejemplo anterior.
Podemos usar el histograma de probabilidad para calcular probabilidades tal como P( X 5 ). Vemos que P(X 5 ).=
P(X = 2 X = 3 X = 4 X =5) = P(X = 2) + P(X = 3) + P(X = 4) + P(X = 5), ya que los eventos donde X = 2, X = 3, X =
1
4 y X = 5 son disjuntos o ajenos, se tiene que P(X 5 ).= 36
362 363 364 10
36 , que se obtiene sumando las reas de
las barras que estn sobre el 5 y a su izquierda. Se debe ser muy cuidadoso con las desigualdades ya que P(X 5 ).=
10
5
6
1
36 18 , mientras que P( X < 5 ) = 36 6 .
Si extendemos la idea de probabilidades acumulativas, podemos definir otra funcin partiendo de la distribucin de
probabilidad. Si X es una variable aleatoria discreta, definimos la funcin de distribucin de X o funcin acumulativa
de X de la manera siguiente:
F(x) = P(X x ) =
f ( t ) para x
tx
Ejercicio 3.8. Calcule la funcin de distribucin acumulativa de la suma de los puntos de dos dados.
Ejercicio 3.9. Use las propiedades de la funcin de probabilidad para encontrar algunas propiedades de la funcin de
distribucin acumulativa.
La tabla 3.4 presenta la funcin de distribucin acumulativa del resultado observado al tirar dos dados.
76
TABLA 3.4. FUNCIN DE DISTRIBUCIN ACUMULATIVA DEL TOTAL OBSERVADO AL TIRAR DOS DADOS.
x
F( x )
10 11 12
1
36
3
36
6
36
10
36
15
36
21
36
26
36
30
36
33
36
De esa tabla podemos deducir algunas propiedades. Por ejemplo, observamos que
que se evala la funcin es mayor, el valor de la funcin tambin ser mayor.
35
36
36
36
F(4) F(5), es decir si el valor en
Ejercicio 3.10. Esta propiedad es siempre cierta? Examine que sucede con x = 5, x = 6 y con x 5.7 .
A pesar de que el valor de la funcin de la distribucin acumulativa para x = 5.7 no est incluida entre los valores en la
tabla, podemos utilizar la definicin para obtenerlo F(x) = P(X x ), as F(5.7) = P(X 5.7 ). Cuando escribimos esta
ltima probabilidad nos preguntamos cul es la probabilidad de observar que el total de puntos de dos dados es menor
o igual que 5.7? Por la naturaleza del experimento, vemos que no es posible observar valores distintos a 2, 3, 4, 5, 6, 7,
8, 9, 10, 11, 12, por esta razn los resultados que pueden observarse y que son menores o iguales a 5.7 son 2, 3, 4, 5,
5
se tiene que, F(5.7) = P(X 5.7) = F(5) = 10
.
36 18
Esto demuestra que la propiedad que habamos visto antes, en la que establecimos que si a y b son dos nmeros reales
con a b entonces F(a) F(b) no siempre es cierta. La que si es cierta es que si tenemos dos nmeros reales a y b, tal
que a b entonces F(a) F(b). Por la definicin de probabilidad y por esta propiedad, vemos que el valor ms grande
que puede tener F(x) es 1 y el valor ms pequeo de esta funcin es 0. Hagamos un resumen de las propiedades
encontradas.
1.
2.
3.
4.
F(-) = 0
F() = 1
Si a y b son nmeros reales a b, entonces F(a) F(b). Esto significa, en el lenguaje matemtico, que F es una
funcin no decreciente.
F(x) es una funcin continua por la derecha: si a es un nmero real, entonces lim F ( x ) F ( a ) .
x a
Figura 3.2. Grfica de la funcin de distribucin acumulativa del total de puntos al tirar dos dados.
77
La grfica de F(x) parece una escalera tal y como se muestra en la Figura3.2. Podemos observar la razn por la cual esta
grfica debe ser de esta manera si examinamos los valores de la funcin de distribucin en un intervalo tal como [6, 7].
Vemos que F(6) = 15
si escogemos un nmero x mayor que 6, pero menor que 7, tenemos que F(x) = 15
. Sin embargo,
36
36
al evaluar la funcin en x = 7 vemos que F(7) =
21
36
127 , por esta razn la grfica muestra un salto en ese punto.
Tambin podemos notar que el tamao del salto en x = 6 nos dice la probabilidad de X = 7. Para valores de x entre 6 y 7
21
(sin incluir el 7) tenemos que F(x) = 15
, como habamos visto y luego F(7) = 36
, as el tamao del salto en X = 6 es
36
21
36
15
36
16 . Este ltimo valor es la probabilidad de que el total de puntos en dos dados, X sea igual a 7, es decir,
P(X = 7) =
6
36
1
.
6
Visto de otra manera, P(X = 7) = P(X 7) P(X 7). Esto es igual a P(X 7) P(X 6) =
21
36
15
36
6
36
16 . En
general, el tamao del salto de la funcin de distribucin en un valor particular, nos da la probabilidad de que la variable
aleatoria sea igual a ese valor.
Ejercicio 3.11. Utilice la funcin de distribucin para encontrar P(X = 9.8)
Valor esperado de variables aleatorias discretas.

Sea X
f ( x ), entonces el valor esperado de X es
una variable aleatoria con funcin de probabilidad
E( X ) x f ( x ). Ilustremos esta frmula mediante dos ejemplos.

x
Ejemplo 3.12. Si X es el nmero de puntos obtenidos al lanzar un dado de seis caras, obtenemos el valor esperado de
la variable aleatoria
Y X2.
La funcin de probabilidad de X es
Y X 2 es entonces f ( y )
1
6
si
f ( x)
1
6
si
x 1, 2, 3, 4, 5, 6. La funcin de probabilidad de
y 1, 4, 9, 16, 25, 36, as
E( Y ) Px 1 4 Px 2 9 Px 3 16 Px 4 25Px 5 36 Px 6.
E( Y ) 1 1 1 4 1 9 1 16 1 25 1 36
6
6
6
6
6
6
2
1 P( X 1) 2 P( X 2 ) 3 P( X 3 )
2
4 P( X 4 ) 5 P( X 5 ) 6 P( X 6 )
P( X x ).
Ejemplo 3.11.2
Si
es
una variable aleatoria que tiene funcin de probabilidad
x 2, - 1, 0, 1, 2, 3 y Y X 2 . La funcin de probabilidad de Y es f ( y )
2
6
si y 1, 4 y
f ( x)
f ( y)
y 0, 9. Entonces E( Y ) 2 1 2 4 1 0 1 9. Esta ecuacin la podemos rescribir como:

6
6
6
6
78
1
6
si
1
6
si
E( Y ) 2 1 2 4 1 0 1 9.
6
6
6
6
1 P( Y 1) 4 P( Y 4 ) 0 P( Y 0 ) 9 P( Y 1)
2
1 P( X 1 X 1) 2 P( X 2 X 2 ) 0 P( X 0 ) 3 P( X 3 ).
2
1 P( X 1 ) ( 1) P( X 1 ) 2 P( X 2 ) (-2 )
P( X 2 )
+ 0 P( X 0 ) 3 P( X 3 ).
P( X x ).
A travs de estos ejemplos, e visualiza que no es necesario calcular la funcin de probabilidad de Y , slo se tiene que
usar la funcin de probabilidad de X y los valores obtenidos al aplicar la funcin Y g( X ) X . Esto es cierto
an en el caso en que la funcin no es uno a uno. Esto conduce al teorema siguiente cuya prueba se omite.
2
Nota. Todas las demostraciones de los teoremas se omitirn, por no estar dentro de los intereses de este texto.
Teorema 3.1. Si X es una v. a. discreta y f ( x ) es su funcin de linealidad, Y g( X ) es una funcin a

valores reales, es decir, Y
es
E( Y ) E( g ( x )) g ( x ) f ( x ).
una
variable
aleatoria,
entonces
su
valor
esperado
es
En particular se puede utilizar este teorema en el caso especial en que la funcin g ( X ) es lineal, es decir
Y g( X ) aX b, donde a, b . As se obtiene
E( Y ) E( aX b ) ( ax b ) P( X x ) ax P( X x ) b P( X x )
x
x
x
a xP( X x ) b P( X x ) aE( X ) b.
x
x
Este resultado nos lleva al siguiente teorema.
Teorema 3.2. Si a y b son constantes reales y g( X ) aX b es una funcin a valores reales, entonces
E( aX b ) aE( X ) b.
Corolario 3.1. Si a es una constante real, entonces E( aX ) aE( X ).
Corolario 3.2. Si b es una constante real, entonces E( b ) b.
Teorema 3.3. Si
c1 , c2 , , cn son constantes reales, y g1 ( X ), g 2 ( X ), , g n ( X ), son funciones
reales de X, entonces
n
n
E ci g i ( X ) ci E( g i ( X ))
i 1
i 1
79
Existen casos especiales de la funcin g ( X ) las cuales requieren ms atencin. En nuestro caso, nos interesa el
g( X ) X r para r = 0, 1, 2, 3,... . La expresin E( X r ) se conoce como el

r
r
errsimo momento de X alrededor del origen de la variable aleatoria X. Se tiene que E( X ) x f ( x ).
comportamiento de E( g( X )) cuando
El primer momento E( X ) se conoce como la media (poblacional) de la variable aleatoria X y se indica usualmente por
la letra griega (se lee mu ), E( X ). Otros momentos nos permiten describir la forma de la distribucin de X. El
errsimo momento de X alrededor de la media es
E ( X ) r ( x ) r f ( x ), para r = 0, 1, 2, ...
x
El segundo momento alrededor de la media es de gran inters en estadstica y se conoce como la varianza (poblacional)
de la variable X. La varianza se denota a menudo mediante la letra griega (sigma minscula) elevada al cuadrado:
2 EX E( X )) 2 E( X ) 2 .
Su raz cuadrada positiva,
, se conoce como la desviacin estndar
(poblacional) de X.
Frecuentemente es ms fcil calcular la varianza a partir del primer y segundo momento alrededor del origen.
Teorema 3.4. Var ( X )
E( X 2 ) E( X ) E X 2 2 .
2
Teorema 3.5. Si X es una variable aleatoria con varianza
2 , entonces
Var ( aX b ) a 2 Var ( X ) a 2 2 .
La varianza es un valor muy til para estudiar la distribucin de una variable aleatoria. En particular, nos ofrece
informacin sobre la probabilidad de observar valores extremos de X. Esta relacin se establece en el siguiente teorema.
Teorema 3.6. (Teorema de Chebyshev). Si X es una variable aleatoria con varianza
entonces para cualquier constante positiva k, se tiene que
P X k 1
y media
1
.
k2
3.1.1. Distribuciones discretas ms comunes.

En el estudio de las variables aleatorias, por lo general nos interesan las probabilidades de que puedan tomar diversos
valores posibles, es decir, sus distribuciones de probabilidad, en esta seccin se mencionan las ms importantes.
80
Distribucin uniforme discreta.

La variable aleatoria X tiene una distribucin uniforme discreta si su funcin de probabilidad est dada por
1
f ( x k ) f x para x x1 , x 2 , , x k , ( xi x j , si i j ). Donde,
k
k
E ( X ) xi
i 1
( xi )
i 1
1
k
Las aplicaciones de las variables aleatorias distribuidas uniformemente se encuentran en el desarrollo de las loteras y
otras formas de juegos de azar; en la generacin de nmeros aleatorios para experimentos de ingeniera o de simulacin
y en la evaluacin de probabilidades previas de una persona en relacin con el resultado de algn evento futuro para
la toma de decisiones.
Ejemplo 3.10. La probabilidad de que en el lanzamiento de un dado legal aparezca un 5 es
1
6
y , es la misma que la
probabilidad de obtener un 3, o un 7, o un 2, etc.
Ejercicio 3.12. El nmero de productos empaquetados por un trabajador en una hora oscilan entre 10 a 18 unidades y se
piensa que estn distribuidos uniformemente. Cul es la probabilidad de que se empaqueten entre 12 y 15 productos en
una hora determinada?
Distribucin Bernoulli
A esta distribucin tambin se le conoce como binomial punto. Si una variable aleatoria discreta X slo tiene dos
valores posibles, como sucede por ejemplo en experimentos en los que slo existen dos resultados posibles, fracaso o
xito, se le asigna 0 a fracaso y 1 a xito; si le llamamos p a la probabilidad de xito, la probabilidad de fracaso es 1- p,
que generalmente se le llama q, por lo que la densidad de X es:
f ( x) q,
x0
p, x 1
= 0 de otro modo.
Esta funcin se puede resumir de la manera siguiente:
f ( x) p x (1 - p)1 - x para
x 0, 1
Cualquier variable aleatoria discreta X, cuya densidad se ajuste a esta patrn, se dir que se distribuye Bernoulli, con
parmetro p, denotndose esto por:
X ~ Ber(p)
81
Ejemplo 3.11.. La probabilidad de que un presunto cliente elegido aleatoriamente realice una compra es 0.20. Por lo
tanto, la probabilidad de que el cliente elegido no realice la compra ser de 1 0.20 = 0.80.
Distribucin Binomial.
La distribucin binomial es una distribucin de probabilidad discreta, aplicable cada vez que suponga que un proceso de
muestreo conforma un proceso de Bernoulli. Un proceso de Bernoulli es un proceso de muestreo en el cual:
i)
ii)
iii)
Hay dos resultados posibles mutuamente excluyentes en cada ensayo u observacin. Estos resultados
obtenidos se denominan xito y fracaso.
La serie de ensayos u observaciones constituyen evento independientes.
La probabilidad de xito, designada por p, permanece constante de ensayo a ensayo. Es decir, el proceso es
estacionario
En una distribucin Binomial, se realizan n repeticiones independientes de un experimento de Bernoulli. La variable X

representa el nmero de xitos obtenidos en las n repeticiones. Nos preguntamos sobre la probabilidad de obtener x
xitos en las n repeticiones, as, la funcin de probabilidad es:
x
nx
P( X x ) f ( x k ) C nx p ( 1 p )
, x 1, 2, , n.
np y np( 1 p ).
2
Ejemplo 3.12. Suponga que un lote de 300 fusibles elctricos contiene 5% defectuosos. Determine la probabilidad de
que se pueda encontrar al menos un fusible defectuoso en una muestra de cinco fusibles.
Solucin. Es pertinente suponer que X, nmero de fusibles defectuosos observados, tenga aproximadamente una
distribucin binomial debido a que el lote es grande. As
5
P(al menos uno defectuoso) = 1 p(0) 1 q 5
0
1 0.955 1 0.774 0.226

obsrvese que existe una probabilidad bastante grande de obtener al menos uno defectuoso, aunque la muestra sea
relativamente pequea.
Ejercicio 3.13. Muchos jefes se dan cuenta de que algunas personas que contrataron no son lo que pretenden ser.
Detectar personas que solicitan un trabajo y que falsifican la informacin en su solicitud ha generado un nuevo negocio:
agencias investigadoras de antecedentes. Una revista nacional, notific sobre este problema mencionando que una
agencia, en un periodo de dos meses, encontr que el 35% de los antecedentes examinados haban sido alterados.
Supngase que usted ha contratado la semana pasada a cinco nuevos empleados y que la probabilidad de que un
empleado haya falsificado la informacin en su solicitud de trabajo es 0.35. Cul es la probabilidad de que al menos
una de las cinco solicitudes haya sido falsificada?
82
Distribucin Geomtrica.
Se efectan tantas repeticiones independientes de un experimento de Bernoulli como sean necesarias para obtener el
primer xito. Si la probabilidad de xito es p, la de fracaso es 1 - p, entonces la funcin de probabilidad de X, el nmero
de repeticiones hasta observar el primer xito es:
P( X x ) f ( x p ) p( 1 p ) x1 ,
Su valor esperado es E ( X )
x 1, 2, 3,
1
1 p
y su varianza es igual a 2 V (Y ) 2 .
p
p
Una variable aleatoria geomtrica no tiene memoria, es decir:
P( X n m X n ) P( X m ) :
Utilizando la definicin de probabilidad condicional obtenemos:
P( X n m X n ) P( X n m, X n / P( X n ) P( X n m / P n ).
Ahora obtenemos el denominador:
n
P( X n ) 1 P( X n ) 1 p( 1 p ) x 1
x 1
n 1
1 (1 p ) n
1 p ( 1 p ) x 1 p 1
x 0
p
(1 p ) n
As tenemos que
P( X n m, X n / P( X n )
P( X n m ) p( 1 p ) n m1
P( X n )
(1 p ) n
p( 1 p ) m1 P( X m ).
Ejemplo 3.13. Suponga que la probabilidad de que un motor falle durante cualquier periodo de una hora es p 0.02 .
a) Encuentre la probabilidad de que dicho motor funcione bien durante 2 horas.
b) Halle la media y la desviacin estndar de Y.
Solucin. a) Sea X el nmero de intervalos de una hora hasta la primera falla, entonces
83
P(de funcionar bien por dos horas) = P X 3
px
y 3
Como
px 1,
y 1
P(de funcionar bien por dos horas) = 1
px
y 3
= 1 p qp 1 0.02 0.980.02 0.9604

b) Se tiene que la media = E ( X )
1
1 p
y su varianza es igual a 2 V ( X ) 2 . As que
p
p
1
50 , esto significa que se tendr que esperar muchas horas hasta que ocurra la primera falla. Por oto
0.02
1 0.02
lado, 2 V ( X )
2,450 , entonces la desviacin estndar de Y es 2,450 49.497 .
0.022
E( X )
Ejercicio 3.14. Se supone que el 30% de los aspirantes para cierto trabajo industrial tiene un entrenamiento avanzado de
programacin computacional. Los aspirantes son entrevistados, uno tras otro, y son seleccionados al azar del conjunto de
aspirantes.
a)
b)
Determine la probabilidad de que se encuentre el primer aspirante con un entrenamiento avanzado en

programacin en la quinta entrevista.
Cul es el nmero esperado de aspirantes que hay que entrevistar para encontrar el primer aspirante
con un entrenamiento avanzado en programacin?
Distribucin Binomial Negativa.

En esta distribucin se hacen tantas repeticiones independientes de un experimento de Bernoulli como sean necesarias
para obtener k xitos. Si la probabilidad de xito es p, la de fracaso es 1 - p y la funcin de probabilidad de Y, el nmero
de repeticiones necesarias hasta observar k xitos es:
P( X x) f ( x p, k )
La media de X es E ( X )
x 1
k 1
p k (1 p) x k ,
x k , k 1, k 2,
k
k 1 p
y la varianza es 2 V (Y )
.
p
p2
84
Ejemplo 3.14. Un estudio geolgico indica que un pozo exploratorio, perforado en una regin particular, debera manar
petrleo con una probabilidad de 0.20.
a)
b)
Encuentre la probabilidad de que el tercer encuentro de petrleo ocurra en el quinto pozo que se
perfora.
Halle la media y la desviacin estndar.
Solucin. a) Sea Y el nmero de la prueba en la cual ocurre el tercer descubrimiento de petrleo, suponiendo
perforaciones independientes con una probabilidad de 0.2 de encontrar petrleo en cualquier paso. Entonces es
razonable suponer que Y tiene una distribucin binomial negativa con p 0.2 . As
4
PY 5 p5 0.23 0.82 0.0307
2
k
k
3
k 1 p
15
y la varianza es 2 V (Y )
, se tiene que
2
p 0.2
p
p
. Esto indica que se espera perforar 15 pozos antes de que emane petrleo de alguno de ellos y
31 0.2
2
12 por lo que 12 3.464 .
0.2
b) Como la media de Y es E (Y )
Ejercicio 3.15. Se aplican anlisis a los obreros de una empresa que fabrica material aislante, a fin de detectar la
existencia de asbesto en sus pulmones. La fbrica tiene que mandar tres obreros, con indicaciones positivas de asbesto, a
un centro mdico para realizar ms pruebas. Si el 40% de los trabajadores tienen indicaciones positivas de asbesto en los
pulmones,
Encuentre la probabilidad de que se tengan que examinar a diez operarios para encontrar tres
positivos.
b) Si cada prueba cuesta 200 pesos, obtenga el valor esperado y la varianza del costo total de la
realizacin de las pruebas necesarias para localizar tres empleados positivos.
a)
Distribucin hipergeomtrica.
En esta distribucin se tiene una poblacin finita de N elementos de los cuales k son de un tipo (digamos xitos) y N - k
son fracasos. Seleccionamos n elementos sin reemplazo de la poblacin de N. Nos interesa la probabilidad de obtener x
xitos entre los n elementos seleccionados. La funcin de probabilidad de Y, el nmero de xitos obtenidos entre los n
elementos seleccionados est dada por:
P( X x) f x
N k
n x
C C
n, N , k )
C
N
, para x 0, 1, 2, , n; x k , n x N k.
La media de X, o valor esperado es: E ( X )
nk
y la varianza de X es
N
85
nk ( N k )( N n )
.
N 2 ( N 1)
Ejemplo 3.15. Un problema importante que enfrentan los jefes de personal y otras personas encargadas de la seleccin
de los mejores de un conjunto finito de elementos se describe mediante la situacin siguiente. Se seleccionan 10
personas para un trabajo de un grupo de 20 ingenieros con doctorado.
a)
Cul es la probabilidad de que el grupo de los 10 ingenieros seleccionados incluya a los cinco
mejores del grupo de 20?
b) Encuentre la media y la varianza para el grupo de los 20 ingenieros.
Solucin. a) Para este ejemplo N 20, n 10 y k 5 , es decir, hay solamente cinco en el conjunto de los 5 mejores
ingenieros y nosotros buscamos la probabilidad de que X 5 , siendo X el nmero de los mejores entre los 10
seleccionados. Entonces
5 15

5 5 15 10 10 21
P5
0.162
5 10 20 1,292
20

10
b) Dado que la media de Y es E ( X )
E (Y )
105 2.5
20
nk ( N k )( N n)
nk
y la varianza 2
, entonces
N
N 2 ( N 1)
esto significa que en el grupo seleccionado de 10 ingenieros, se espera que 2 o 3 de ellos sean de
los mejores. Como 2
105(20 5)( 20 10) 7,500 0.9868,

20 2 (20 1)
7,600
entonces 0.9868 0.9934
Ejercicio 3.16. Un producto industrial particular se embarca en lotes de 50. La prueba para determinar si el artculo es
defectuoso es costosa y por lo tanto el productor selecciona una muestra de su produccin en lugar de usar un plan de
inspeccin al 100%. Un proyecto de muestreo elaborado para minimizar el nmero de artculos defectuosos surtidos a
los consumidores exige un muestreo de 10 artculos de cada lote y el rechazo del lote si se encuentra ms de dos
artculos defectuosos. (En el caso de ser rechazados el lote, se prueba cada artculo de ste). Si un lote contiene 6
artculos defectuosos, Cul es la probabilidad de que sea rechazado? Cul es el nmero esperado de defectuosos en la
muestra de tamao 10? Cul es la varianza del nmero de defectuosos en la muestra de tamao 10?
Distribucin de Poisson.
En esta distribucin se observan eventos a travs del tiempo o espacio con las siguientes propiedades; la probabilidad de
observar un evento en una unidad de tiempo o espacio t es t para algn 0 . La probabilidad de observar dos
o ms eventos simultneamente es muy pequea. A los procesos que ocurren en un espectro continuo de tiempo y
espacio se le denomina proceso de Poisson; es similar al proceso de Bernoulli visto en la seccin 3.2.3 excepto que los
eventos suceden en un espectro continuo en vez de ocurrir en ensayos u observaciones fijas. Un ejemplo de tal proceso
es la llegada de personas a la cola de una ventanilla bancaria. Tal como en el proceso de Bernoulli, se supone que los
eventos son independientes y que el proceso es estacionario.
Sea X la variable aleatoria que nos dice el nmero de eventos observados en un intervalo de tiempo o de espacio de
longitud t, entonces su funcin de probabilidad viene dada por:
86
f ( x , t)
( t ) x e t
, x = 0, 1, 2, ...
x!
La media de X es E(X) t y su varianza es
t.
En el caso particular cuando el periodo de tiempo y espacio es t 1 (digamos 1 mes, una semana, un metro, un
kilmetro, etc) se tiene que
f (x )
( ) x e
,
x!
x = 0, 1, 2, ...
La media de X es E(X) y su varianza es 2 .
Ejemplo 3.16. El promedio mensual de accidentes en una fbrica resulta ser igual a 3. Durante el mes pasado hubo 6
accidentes. Considerara este nmero demasiado alto (muy poco probable si es todava 3) e indicador de un aumento
en la media ?
Solucin. El nmero de accidentes X tendra posiblemente una distribucin de probabilidad de Poisson con 3 . La
probabilidad de que X sea de 6 es
P( X 6)
x 6
As,
3x e3 1 P( X 6) 1
x!
x 0
3x e3
x!
P( X 6) 1 0.0498 0.1498 0.1494 0.2240 0.2240 0.1680 0.1008

1 0.916 0.084
Adems, se tiene que 3 , 2 3 y 3 1.73 .

Una regla emprica indica que hay que esperar que Y tome valores en el intervalo 2 con una alta probabilidad.
Obsrvese que 2 3 21.73 6.46 . El nmero de accidentes observado X = 6, no se encuentra a ms de 2
de , pero est cerca de la frontera. Por lo tanto, el resultado observado no es muy improbable, pero puede tener la
suficiente improbabilidad para justificar una investigacin.
Ejercicio 3.17. En un almacn particular, los clientes llegan al mostrador de caja de acuerdo a una distribucin de
Poisson con un promedio de 7 por hora. En una hora determinada, Cul es la probabilidad de que:
a) no lleguen ms de tres clientes?
b) Lleguen al menos dos clientes?
c) Lleguen exactamente 5 clientes?
87
3.2. Distribuciones continuas

Surgen espacios de muestra continuos siempre que se manejan cantidades que se miden en escala continua (por ejemplo
cuando medimos la velocidad de fabricacin de un producto, el peso neto de un paquete de comida, la pureza de un
producto, la cantidad de alcohol que contiene una bebida o el tiempo de duracin de un artculo elctrico). En casos
como stos existen continuidades de posibilidades y en la prctica lo que realmente interesa son probabilidades
asociadas con intervalos o regiones, no nmeros o puntos individuales de un espacio de muestra. Por ejemplo podramos
desear conocer la probabilidad de que un tipo dado de maquinaria empaque entre 500 y 600 productos por hora (no
exactamente 550.5) o que un paquete de comida congelada pese ms de 750 gramos (no exactamente 800.6 gramos)
En esta seccin conoceremos las distribuciones de probabilidad de las variables continuas ms comunes as como sus
funciones de densidad las cuales son modelos tericos para la distribucin de frecuencias de una poblacin de
mediciones.
Variables aleatorias continuas.

El tipo de variable aleatoria que toma cualquier valor en un intervalo se llama variable continua, por ejemplo, el tiempo
de produccin de un producto en un proceso de ensamblaje y el tiempo de duracin de una lavadora. El intervalo sobre
el cual se definen estas dos variables es la parte positiva de la lnea de los nmeros reales. Esto no significa que al
observar suficientes lavadoras, se observara en algn momento cada nmero real positivo como al menos un resultado.
No obstante, lo importante es que no puede descartarse algn nmero real como un posible resultado de una observacin
de la durabilidad de una lavadora.
Forma de las distribuciones continuas.

La distribucin de probabilidad de una variable aleatoria discreta siempre se puede obtener asignando una probabilidad
positiva a cada uno de los posibles valores que puede tomar la variable. Naturalmente se tiene que estar seguro de que la
suma de las probabilidades asignadas sea siempre igual a 1. Desafortunadamente, la distribucin de probabilidad de una
variable aleatoria continua no puede establecerse de la misma manera. Es matemticamente imposible asignar
probabilidades diferentes de cero a todos los puntos de un intervalo real y al mismo tiempo satisfacer el requisito de que
la suma de probabilidades de los distintos valores posibles tiene que ser 1. Por lo que se debe desarrollar un mtodo
diferente para describir la distribucin de probabilidad para una variable aleatoria continua.
Para obtener una definicin formal de una variable aleatoria continua debemos definir primero una funcin de
distribucin (o funcin de distribucin acumulativa).
Definicin 3.1. Sea Y cualquier variable aleatoria. La funcin de distribucin de Y, denotada por F(y) est dada por F(y)
= P(Y y), para y .
La naturaleza de una funcin de distribucin asociada a una variable aleatoria se utiliza para determinar si la variable
aleatoria es continua o discreta. Las funciones de distribucin de variables aleatorias discretas siempre son funciones
escalonadas, puesto que la funcin de distribucin acumulativa solamente se incrementa en un conjunto numerable de
puntos.
88
Como la funcin de distribucin asociada a cualquier variable aleatoria se define tal que F ( y ) P( Y y ), es claro
que en la prctica P( Y ) F ( ) tiene que ser cero. Si se consideran dos valores y1 y 2 , entonces
P( Y y1 ) P( Y y 2 ) . Es decir, F ( y1 ) F ( y 2 ) ; esto significa que la funcin F(y) es una funcin montona, no
decreciente. Adems, es claro que P( Y ) F ( ) 1 . Estas tres caractersticas definen las propiedades de
cualquier funcin de distribucin.
Definicin 3.2. Sea Y una variable aleatoria con una funcin de distribucin F(y). Se dice que Y es continua si F(y) es
continua, para y .
Definicin 3.3. Sea F(y) la funcin de distribucin de una variable continua Y. Entonces f ( y ) , dado por
f ( y)
dF ( y )
F ( y )
dy
siempre y cuando exista la derivada, se denomina la funcin de densidad de probabilidad para la variable aleatoria Y.
De las definiciones 3.2 y 3.3 se deduce que F(y) se puede escribir como
F( y )
f ( t )dt
en donde f ( y ) es la funcin de densidad de probabilidad y t se utiliza como la variable para la integracin. La

representacin grfica de esta relacin entre la funcin de distribucin y la funcin de densidad est dada en la figura
3.3.
Como la funcin F(y) para cualquier variable aleatoria tiene ciertas propiedades , tambin las funciones de densidad
tendrn algunas propiedades correspondientes. Como F(y) es una funcin no decreciente, la derivada f ( y ) nunca es
negativa. Adems, se sabe que F ( ) 1 y por esto, que
f (t )dt 1 .
f ( y)
F( y0 )
y0
Figura 3.3.
89
Valor esperado de variables aleatorias continuas.

En esta seccin veremos cmo se calculan las medias, las varianzas y desviaciones estndar de las variables aleatorias
continuas y de esta manera la obtencin las medidas numricas descriptivas de sus funciones de densidad.
Definicin 3.4. El valor esperado de una variable aleatoria continua es
E( Y )
yf ( y )dy
siempre que exista la integral.

La varianza y la desviacin estndar podemos encontrarla mediante la relacin
2 V ( Y ) E( Y 2 ) E( Y )2
3.2.1. Distribuciones continuas ms comunes.

Varias distribuciones de probabilidad continua especficas son aplicables a una gran variedad de variables continuas
bajo circunstancias designadas. Por lo tanto se han preparado tablas de probabilidad para algunas de estas distribuciones
continuas para que el estadstico no se vea involucrado en la integracin de reas bajo curvas de probabilidad. Las
distribuciones de probabilidad continua especficas descritas en esta seccin son las distribuciones de probabilidad ms
comunes.
Distribucin uniforme.
Sea y una variable aleatoria continua cuya densidad sea una constante dentro de un intervalo (a, b) (no importa si es
abierto o cerrado), entonces su funcin densidad ser:
f ( y)
1
,
ba
a yb
= 0 de otra manera
As, cualquier variable aleatoria continua y, cuya densidad se ajuste a este patrn, se dir que se distribuye uniforme,
con parmetros a y b , denotndose esto:
Y ~ U ( a, b ) .
La media y la varianza vienen dadas por las frmulas
Media
ab
2
y Varianza
90
a b 2
12
Ejercicio 3.18. Investigue cmo son las grficas de las distribuciones de probabilidad uniformes de una variable
aleatoria continua
Ejemplo 3.17: el precio medio del kilo de aguacate durante el prximo ao se estima que puede oscilar entre 10 y 15
pesos . Podra ser, por tanto, de 11 pesos., o de 12.5 pesos., o de 12.56 pesos., o de 12.95 pesos, etc. Hay infinitas
posibilidades, todas ellas con la misma probabilidad.
Solucin. Su funcin de densidad, nos permite conocer la probabilidad que tiene cada punto del intervalo, en el ejemplo,
b : es el extremo superior del intervalo, 15 pesos; a :es el extremo inferior del intervalo, 10 pesos.
Por lo tanto, la funcin de distribucin es:
f ( y)
1
0.20
15 10
Es decir, que el valor final est entre 10 pesos. y 11 pesos. tiene un 20% de probabilidad, que est entre 11 y 12, otro
20%, etc.
El valor medio de esta distribucin se calcula:
E( y )
ab
2
En el ejemplo:
E( y )
15 10
12.5
2
Por lo tanto, el precio medio esperado del aguacate para el prximo ao es de 12.5 pesos.
Ejercicio 3.19. El volumen de precipitaciones estimado para el prximo ao en la ciudad de Hermosillo va a oscilar
entre 40 y 50 litros por metro cuadrado. Calcular la funcin de distribucin y la precipitacin media esperada:
Distribucin normal.
Sea y una variable aleatoria continua con densidad:
f ( y)
( y ) ,
1
exp
2
1
2 2
y .
As, cualquier variable aleatoria continua y, cuya densidad se ajuste a este patrn, se dir que se distribuye normal, con
parmetros y 2 , denotndose esto: Y ~ N( , 2 ). La distribucin normal es muy importante en la investigacin,
por eso conviene mencionar sus caractersticas:
91
1.
2.
3.
4.
5.
6.
7.
Tiene forma de campana

Es simtrica con respecto a la media
La media, la moda y la mediana coinciden
La p( - < y < + ) = 0.6826
La p( - 2 < y < + 2 ) = 0.9544
La p( - 3 < y < + 3 ) = 0.9974
Fue desarrollada por Carl F.Gauss
Distribucin normal estndar.

Sea y una variable aleatoria continua tal que Y ~ N( , 2 ) y sea Z=
(X - )
, entonces:
Z ~ N(0 , 1)
De lo anterior deducimos que Z es un caso particular de la Distribucin Normal.
Nota: Cualquier variable que siga la distribucin normal se puede transformar a una Z; dada esta cualidad, esto ha trado
como resultado que se pueden efectuar comparaciones entre variables normales, aunque tengan distintos parmetros. La
Tabla I trae la integral a la derecha para cualquier valor de Z positivo (los negativos se evitan, por la simetra, ya que la
media de la distribucin es cero).
Ejemplo 3.19. Sea Z una variable aleatoria normal con media 0 y desviacin estndar 1. Determinar
a)
P( Z 2 ).
b)
c)
P( 2 Z 2 ).
P( 0 Z 1.73 ).
Solucin.
a)
Se procede hacia abajo en la primera columna (z) en la Tabla I, y se lee el rea frente al valor z = 2.0. Esta rea,
denotada por el smbolo A(z), es A(z = 2.0) = 0.0228. Entonces P( Z 2 ) 0.0228
b) En la parte a) se determin que A1 = A(Z =2.0) = 0.0228. Como la funcin de densidad es simtrica con
respecto a la media, 0, tenemos que A2 = A1 = 0.0228 y se tiene entonces que
P( 2 Z 2 ) 1 A1 A2 1 20.0228 0.9544
c)
Obsrvese que P( 0 Z 1.73 ) 0.5 A1.73 en donde A(1.73) se obtiene al proceder hacia abajo en la
columna z de la Tabla I hasta la hilera "1.7" y despus se va a la parte superior de la tabla hasta la columna
marcada "0.03", en donde se lee A(1.73) = 0.0418. Entonces
P(0 Z 1.73) 0.5 0.0418 0.4582
92
Ejemplo 3.20. Los resultados de un examen de admisin en un colegio de bachilleres de la localidad tiene una
distribucin normal con media 75 y desviacin estndar 10. Qu fraccin de resultados queda entre 80 y 90?
Solucin. z representa la distancia de la media de una distribucin normal expresada en unidades de la desviacin
estndar. As,
z
(y - )
Entonces la fraccin buscada de la poblacin est dada por el rea entre

(80 - 75 )
0.5
10
(90 - 75 )
1.5
10
Se tiene que A A0.5 A1.5 0.3085 0.0668 0.2417

Ejercicio 3.21.1. Utilice la Tabla I para encontrar las probabilidades siguientes para una variable aleatoria normal
estndar Z.
a)
b)
c)
d)
e)
P0 Z 1.2
P0.9 Z 0
P0.3 Z 1.56
P0.2 Z 0.2
P1.56 Z 0.2
Ejercicio 3.21.2. Se observ durante un largo periodo que la cantidad semanal gastada en el mantenimiento y en las
reparaciones en cierta fabrica tiene aproximadamente una distribucin normal con una media de 4 mil pesos y una
desviacin estndar de 200 pesos. Si el presupuesto para la prxima semana es de 4 mil 500 pesos,
a) Cul es la probabilidad de que los costos reales sean mayores que la cantidad presupuestada?
b) De cunto tendra que ser el presupuesto para reparaciones semanales y mantenimiento, para que la
cantidad presupuestada solamente se rebasara con una probabilidad de 0.1?
Distribucin lognormal.
Sea Y una variable aleatoria continua, se dice que la variable tiene una distribucin log-normal si X lnY tiene una
distribucin normal. (el smbolo ln indica logaritmo natural.). En este caso Y no debe ser negativo. La ecuacin de la
funcin de densidad lognormal es
f ( y)
(ln y ) 2
2 2
,
y0
y 2
0 en cualquier otro
punto
93
As, cualquier variable aleatoria continua y, cuya densidad se ajuste a este patrn, se dir que se distribuye logaritmo
normal o simplemente lognormal, con parmetros y , denotndose: Y ~ LN ( , ) .
Ya que ln(Y ) es una funcin montona de y,
PY y PlnY ln y PX ln y
En donde X tiene una distribucin normal con media y varianza 2
La distribucin lognormal se usa con frecuencia en las ciencias biolgicas y fsicas como modelo de magnitudes, de
volumen de peso, de diversas cantidades, tales como partculas de carbn molido, cultivos, colonias de bacterias y
animales individuales.
Ejercicio 3.22. Si Y tiene distribucin log-normal con 4 y 2
a) PY 4
1,
, encuentre,
b) PY 8
Distribucin gamma.
Sea y una variable aleatoria continua con densidad:
1 y
1
f ( y)
y e

( )
0 y , , 0
= 0 en cualquier otro punto.

en donde
y 1e y dy . La cantidad se conoce como la funcin gamma. La integracin directa da que
1 1 . La integracin por partes indica 1 1 para cualquier 1 y que n n 1! , para un

nmero entero n. Si no es un nmero entero, es imposible encontrar la antiderivada del integrando de la expresin
d
c
1 1 y
y e dy

( )
0cd
y por lo tanto es imposible encontrar las reas bajo la funcin de densidad tipo gamma mediante la integracin directa.
Para estos casos, se hace una aproximacin mediante las sumas de probabilidades de Poisson .
Cualquier variable aleatoria continua y, cuya densidad se ajuste a este patrn, se dir que se distribuye gamma, con
parmetros y , denotndose esto: y ~ G ( , ). La media y la varianza vienen dadas por las frmulas:
Media y Varianza 2
94
La funcin de densidad Gamma para el caso especial 1 se denomina funcin de densidad exponencial y en muchas
ocasiones es til en los modelos de duracin de componentes elctricos.
Ejercicio 3.23. Investigue cmo son las graficas de las Distribuciones Gamma para distintos valores de
Ejemplo 3.21. Los ingresos anuales de los jefes de familia en cierta seccin de la ciudad de Hermosillo tienen
aproximadamente una distribucin gamma con 1 000 y 5 . Determine la media y la varianza de estos ingresos.
Esperara encontrar muchos ingresos superiores a $ 8,000 en esta rea de la ciudad?
Solucin. La media de los ingresos es 1,0005 $5,000, mientras que la varianza es 2 1,00052 =
$25,000. De la varianza se obtiene la desviacin estndar igual a $158.11 por lo que la respuesta a la pregunta es no, es
decir, la probabilidad de encontrar ingresos superiores a 8 mil pesos en esta seccin de Hermosillo es prcticamente
nula.
Ejercicio.3.24. El tiempo semanal Y (en horas) durante el que cierta mquina industrial no funciona, tiene
aproximadamente una distribucin gamma con 3 y 2 . La prdida, en pesos para la operacin industrial debido
a esta baja, est dada por L 300Y 20Y 2 . Calcule el valor esperado y la varianza de L.
Distribucin Beta.
Sea X una variable aleatoria continua con densidad
1
1
f ( y)
y 1 y
0 y 1
= 0 en cualquier otro punto..

Cualquier variable aleatoria continua y, cuya densidad se ajusta a este patrn, se dir que se distribuye beta, con
parmetros y , denotndose esto:
y ~ B (, )
NOTA: Si y ~ B(1, 1) se puede demostrar que y ~ U (0,1). La media y la varianza para esta distribucin vienen dadas por
las frmulas
E( Y )
2 V(Y )
1
2
Ejercicio 3.25. Investigue cmo son las graficas de las Distribuciones Beta.
95
Ejemplo 3.22. Un distribuidor mayorista de gasolina dispone de tanques de almacenaje que contienen una cantidad fija
de gasolina y que llenan cada lunes. La proporcin de esta reserva que se vende durante la semana es de sumo inters
para el distribuidor. Mediante observaciones durante muchas semanas se encontr que se podra representar el modelo
de esta proporcin mediante una distribucin beta con 4 y 2 . Encontrar la probabilidad de que el mayorista
venda al menos 90% de su reserva durante una semana dada.
Solucin. Sea Y la proporcin vendida durante la semana, entonces
4 2 3
f ( y)
y 1 y
4 2
0 y 1
= 0 en cualquier otro punto.

Y as,
P( Y 0.9 )
f ( y )dy
0.9
y5 1
y 1
20 y 3 y 4 dy 20
20(.004 ) .08
0.9
0
.
9
0
.
9
4
5
Este resultado indica que no es muy probable que como mnimo se venda el 90% de la reserva en una semana dada.
Ejercicio 3.26. Durante un turno de 8 horas, la proporcin, Y, del tiempo que una mquina de estampado en lmina
metlica no est funcionando por mantenimiento o reparacin, tiene una distribucin beta con 1 y 2 . Es decir,
2(1 y ),
f ( y)
0,
0 y 1,
en cualquier otro punto.
El costo (en miles de pesos) por tiempo de inactividad, debido a produccin perdida y costos de mantenimiento y de
separacin, esta dado por
C 1,000 2,000Y 40Y 2
Halle la media y la varianza de C.
Distribucin t de Student.
Si T
Z
Y
v
, donde Y ~ 2 ( v ) entonces la densidad de y ser:
96
v 1

f y
y2
2v 1
v
v 1
2
Se ha demostrado que si se tiene una variable normal, y se toma una muestra de tamao v + 1, se calcula la media de la
muestra y la S2 (varianza de la muestra), entonces:
y
/ 1 y
s / 1
s2
2
tendr una densidad como la anterior, con v grados de libertad.
As, cualquier variable aleatoria continua y, cuya densidad se ajuste a este patrn, se dir que se distribuye t, con v
grados de libertad, es decir, con parmetro v, denotndose esto:
Y ~ t(v)
La Tabla II trae los valores de y para algunos valores usuales de
f ( y )dy para algunos valores de .

,
Ejercicio 3.27. Investigue cmo son las graficas de las Distribuciones t de Student para distintos gados de libertad.
Ejemplo 3.23. La resistencia a la tensin para cierto tipo de alambre de pas se distribuye normalmente con una media
desconocida y una varianza desconocida 2 . Se seleccionaron al azar 6 segmentos de alambre de un rollo grande y
se midi Yi , la resistencia a la tensin para el segmento i, en donde i = 1, 2, ..., 6. La media de la poblacin y la
varianza 2 se pueden estimar por Y y S 2 , respectivamente. Ya que Y2
Obtenga la probabilidad aproximada de que Y est a lo ms a
2S
n
2
n
, Y2 puede ser estimada por
S2
.
n
de la verdadera media poblacional .
Solucin. Se desea encontrar
2S
Y
2S
2
P
Y
P 2 n
n
n
S
P2 T 2
en donde T tiene una distribucin t con n - 1 = 5 grados de libertad en este caso. Observando la tabla II, vemos que el
rea a la derecha de 2.015 es 0.05. Por lo tanto,
97
P 2.015 T 2.015 0.90

y la probabilidad de que Y est dentro de dos desviaciones estndar estimadas de ser un poco menor que 0.90.
Obsrvese que si se conociera 2 la probabilidad de que Y tome un valor que difiera a lo ms en 2 Y de estar
dada por
2
Y
2

P
Y
P 2 n
n
n

P2 Z 2 0.9544
Distribucin 2 (Ji cuadrada).
, 2), en donde es un entero positivo, entonces se dice que se distribuye ji

2
cuadrada con grados de libertad, denotndose esto: Y ~ 2 ( ) La densidad para este tipo de variables viene dada por
Si una variable aleatoria continua Y ~ G(
la funcin:
f(2 )
(2 )
( 2 ) 1
2
2
2
2
2 0
La Tabla III trae los valores de y para algunos valores usuales de 2 y varios valores de .
La distribucin 2 desempea un papel importante cuando se desea hacer una inferencia con respecto a la varianza 2
de la poblacin basada en una muestra aleatoria Y1 , Y2 , Yn tomada de una poblacin normal. esto se analizar a su
tiempo. Un buen estimador de 2 es la varianza de la muestra
S2
1
n 1
i 1
El teorema siguiente nos da la distribucin de probabilidad para una funcin del estadstico S2.
Teorema 3.1. Sea Y1 , Y2 , Yn una muestra elegida al azar de una variable aleatoria que sigue una
distribucin normal con media y varianza 2 . Entonces ~
Y Y 2 n 12S
2 i
i 1
98
tiene una distribucin 2 con n 1 grados de libertad. Y y S 2 son variables aleatorias independientes.
Teorema 3.2 (Cochran). Sea X 1 , X 2 , X n ~ N
i 1
X i X 2
i 1
2
1 n
X
~
N
i , n
n i 1
X y
, variables aleatorias independientes. Entonces
~ n21
son variables aleatorias independientes.
Ejercicio 3.28. Investigue cmo son las graficas de las Distribuciones 2 para distintos grados de libertad.
Ejemplo 3.24. Una mquina embotelladora de refrescos puede regularse de tal manera que llene un promedio de
onzas por botella. Se ha observado que las onzas del contenido que vaca la mquina embotelladora tiene una
distribucin normal con 2 1 . Supngase que se desea obtener una muestra aleatoria de 10 botellas y medir el
contenido en cada botella. Si se utilizan estas 10 observaciones para calcular S 2 , podra ser til especificar un intervalo
de valores que incluyeran a S 2 con una alta probabilidad. Encontrar los nmeros b1 y b2 tales que
P b1 S 2 b2 0.90
Solucin. Observemos que
n 1 b1 n 1 S 2 n 1 b2
P b1 S 2 b2 P
2
2
2

Ya que 2 1 , en consecuencia
n 1S 2
2
n 1 S 2 tiene una distribucin 2 con ( n 1) grados de libertad.
Podemos utilizar la tabla III para encontrar los nmeros a1 y a 2 tales que
P a1 n 1 S 2 a 2 0.90
un mtodo para hacerlo es encontrar el valor a2 que limita un rea de 0.05 de la cola derecha y un valor a1 que limita un
rea de 0.05 de la cola izquierda (0.95 de rea a la derecha). Ya que hay 9 grados de libertad, la tabla III nos da
a 2 16.919 y a1 3.325 . As debemos tener
99
a1
n 1b1 n 1b
a2
n 1b2 n 1b 9b
2
2
2
9b1
O sea
b1
3.325
0.369
9
b2
16.919
1.880
9
De donde se deduce que sise desea tener un intervalo que incluya a S2 con una probabilidad de 0.90, uno de tales
intervalos es (0.369, 1.880). Obsrvese que este intervalo es demasiado grande.
Distribucin F de Fisher.
U
Sea X m , siendo U y V dos variables ji cuadrada con m y n grados de libertad, respectivamente. Entonces la
V
n
densidad de X ser:
m
f x
m n m 2
x
2 n
m2
2
m n 1 mx

2 2 n
m n
2
x0
= 0, de otra manera.
As, cualquier variable aleatoria continua X, cuya densidad se ajuste a este patrn, se dir que se distribuye F, con
parmetros m y n (con m y n grados de libertad) denotndose esto:
X~ F(m, n).
La funcin de densidad para variables aleatorias con la distribucin F es un miembro de la familia de las distribuciones
beta y es muy utilizada en las pruebas de Anlisis de Varianza (ANDEVA).
Ejercicio 3.29. Investigue cmo es la grafica de la Distribucin F de Fisher para cualesquiera grados de libertad m y n.
Considerando nuevamente las muestras aleatorias independientes de distribuciones normales, sabemos que
100
m 1S12 S12
U
m 1 12 12
m
X
V
n 1S 22 S 22
n
n 1 22 22
tiene una distribucin F con
m 1 grados de libertad del numerador y n 1 grados de libertad del denominador.
Ejemplo 3.25. Si tomamos dos muestras independientes de tamao n1 6 y n2 10 de dos poblaciones normales con
la misma varianza poblacional, encuentre el nmero b tal que
S2
P 12 b 0.95
S2
Solucin. Como n1 6, n2 10 y las varianzas poblacionales son iguales, entonces

S12
12
S 22
S12
S 22
22
tiene una distribucin F con n n1 1 5 grados de libertad del numerador y m n2 1 9 grados de libertad del
denominador. Tambin
S2
S2
P 12 b 1 P 12 b
S2
S2
Por lo tanto, se desea encontrar el nmero b que limita un rea a la derecha de 0.05 bajo la funcin de densidad F con 5
grados de libertad del numerador y 9 grados de libertad del denominador. Al buscar en la columna 5 y el rengln 9 en la
Tabla IV, vemos que el valor apropiado para b es 3.48. Obsrvese que an cuando las varianzas poblacionales son
iguales, la probabilidad de que la razn de las varianzas de las muestras exceda a 3.48 es an de 0.05 (suponiendo
tamaos de muestras de n1 6, n2 10 ).
Si Y es una variable aleatoria que tiene una distribucin F con n1 grados de libertad del numerador y n2 grados de
1
libertad del denominador, U
tendr una distribucin F con n2 grados de libertad del numerador y n1 grados de
Y
U
U
1
libertad del denominador. Adems, P 1 k P 2 . Use estos hechos para resolver el Ejercicio 3.30 .
U2
U1 k
Ejercicio 3.30. Sea S12 la varianza de la muestra de una muestra aleatoria de 10 valores de ln(CL50) para cobre y sea
S 22 la varianza de la muestra de una muestra aleatoria de 8 valores de ln(CL50) para plomo, habiendo utilizado en
ambas muestras la misma especie de peces. Supngase que la varianza poblacional para las mediciones con respecto al
101
cobre es el doble de la varianza poblacional correspondiente para las mediciones con respecto al plomo. Encuentre dos
nmeros a y b tales que
S2
P a 12 b 0.90
S2
suponiendo que S12 y S 22 son independientes.
102
Tabla I. Area bajo la densidad de la distribucin normal estndar

a la izquierda de Z.
PZ z
Z ~ N(0,1)
z
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.0
0.5000
0.5040
0.5080
0.5120
0.5160
0.5199
0.5239
0.5279
0.5319
0.5359
0.1
0.5398
0.5438
0.5478
0.5517
0.5557
0.5596
0.5636
0.5675
0.5714
0.5753
0.2
0.5793
0.5832
0.5871
0.5910
0.5948
0.5987
0.6026
0.6064
0.6103
0.6141
0.3
0.6179
0.6217
0.6255
0.6293
0.6331
0.6368
0.6406
0.6443
0.6480
0.6517
0.4
0.6554
0.6591
0.6628
0.6664
0.6700
0.6736
0.6772
0.6808
0.6844
0.6879
0.5
0.6915
0.6950
0.6985
0.7019
0.7054
0.7088
0.7123
0.7157
0.7190
0.7224
0.6
0.7257
0.7291
0.7324
0.7357
0.7389
0.7422
0.7454
0.7486
0.7517
0.7549
0.7
0.7580
0.7611
0.7642
0.7673
0.7704
0.7734
0.7764
0.7794
0.7823
0.7852
0.8
0.7881
0.7910
0.7939
0.7967
0.7995
0.8023
0.8051
0.8078
0.8106
0.8133
0.9
0.8159
0.8186
0.8212
0.8238
0.8264
0.8289
0.8315
0.8340
0.8365
0.8389
1.0
0.8413
0.8438
0.8461
0.8485
0.8508
0.8531
0.8554
0.8577
0.8599
0.8621
1.1
0.8643
0.8665
0.8686
0.8708
0.8729
0.8749
0.8770
0.8790
0.8810
0.8830
1.2
0.8849
0.8869
0.8888
0.8907
0.8925
0.8944
0.8962
0.8980
0.8997
0.9015
1.3
0.9032
0.9049
0.9066
0.9082
0.9099
0.9115
0.9131
0.9147
0.9162
0.9177
1.4
0.9192
0.9207
0.9222
0.9236
0.9251
0.9265
0.9279
0.9292
0.9306
0.9319
1.5
0.9332
0.9345
0.9357
0.9370
0.9382
0.9394
0.9406
0.9418
0.9429
0.9441
1.6
0.9452
0.9463
0.9474
0.9484
0.9495
0.9505
0.9515
0.9525
0.9535
0.9545
1.7
0.9554
0.9564
0.9573
0.9582
0.9591
0.9599
0.9608
0.9616
0.9625
0.9633
1.8
0.9641
0.9649
0.9656
0.9664
0.9671
0.9678
0.9686
0.9693
0.9699
0.9706
1.9
0.9713
0.9719
0.9726
0.9732
0.9738
0.9744
0.9750
0.9756
0.9761
0.9767
2.0
0.9772
0.9778
0.9783
0.9788
0.9793
0.9798
0.9803
0.9808
0.9812
0.9817
2.1
0.9821
0.9826
0.9830
0.9834
0.9838
0.9842
0.9846
0.9850
0.9854
0.9857
2.2
0.9861
0.9864
0.9868
0.9871
0.9875
0.9878
0.9881
0.9884
0.9887
0.9890
2.3
0.9893
0.9896
0.9898
0.9901
0.9904
0.9906
0.9909
0.9911
0.9913
0.9916
2.4
0.9918
0.9920
0.9922
0.9925
0.9927
0.9929
0.9931
0.9932
0.9934
0.9936
2.5
0.9938
0.9940
0.9941
0.9943
0.9945
0.9946
0.9948
0.9949
0.9951
0.9952
2.6
0.9953
0.9955
0.9956
0.9957
0.9959
0.9960
0.9961
0.9962
0.9963
0.9964
2.7
0.9965
0.9966
0.9967
0.9968
0.9969
0.9970
0.9971
0.9972
0.9973
0.9974
2.8
0.9974
0.9975
0.9976
0.9977
0.9977
0.9978
0.9979
0.9979
0.9980
0.9981
2.9
0.9981
0.9982
0.9982
0.9983
0.9984
0.9984
0.9985
0.9985
0.9986
0.9986
3.0
0.9987
0.9987
0.9987
0.9988
0.9988
0.9989
0.9989
0.9989
0.9990
0.9990
103
Tabla II. Valores crticos para la distribucin t de Student.

alfa = rea a la derecha de t (df, alfa)
T~t(df)
P(T > t(df,alfa))
grados
de
libertad
alfa
0.1000
0.0500
0.0250
0.0100
0.0050
0.0010
0.0005
3.078
6.314
12.706
31.821
63.656
318.289
636.578
1.886
2.920
4.303
6.965
9.925
22.328
31.600
1.638
2.353
3.182
4.541
5.841
10.214
12.924
1.533
2.132
2.776
3.747
4.604
7.173
8.610
1.476
2.015
2.571
3.365
4.032
5.894
6.869
1.440
1.943
2.447
3.143
3.707
5.208
5.959
1.415
1.895
2.365
2.998
3.499
4.785
5.408
1.397
1.860
2.306
2.896
3.355
4.501
5.041
1.383
1.833
2.262
2.821
3.250
4.297
4.781
10
1.372
1.812
2.228
2.764
3.169
4.144
4.587
11
1.363
1.796
2.201
2.718
3.106
4.025
4.437
12
1.356
1.782
2.179
2.681
3.055
3.930
4.318
13
1.350
1.771
2.160
2.650
3.012
3.852
4.221
14
1.345
1.761
2.145
2.624
2.977
3.787
4.140
15
1.341
1.753
2.131
2.602
2.947
3.733
4.073
16
1.337
1.746
2.120
2.583
2.921
3.686
4.015
17
1.333
1.740
2.110
2.567
2.898
3.646
3.965
18
1.330
1.734
2.101
2.552
2.878
3.610
3.922
19
1.328
1.729
2.093
2.539
2.861
3.579
3.883
20
1.325
1.725
2.086
2.528
2.845
3.552
3.850
21
1.323
1.721
2.080
2.518
2.831
3.527
3.819
22
1.321
1.717
2.074
2.508
2.819
3.505
3.792
23
1.319
1.714
2.069
2.500
2.807
3.485
3.768
24
1.318
1.711
2.064
2.492
2.797
3.467
3.745
25
1.316
1.708
2.060
2.485
2.787
3.450
3.725
26
1.315
1.706
2.056
2.479
2.779
3.435
3.707
27
1.314
1.703
2.052
2.473
2.771
3.421
3.689
28
1.313
1.701
2.048
2.467
2.763
3.408
3.674
29
1.311
1.699
2.045
2.462
2.756
3.396
3.660
30
1.310
1.697
2.042
2.457
2.750
3.385
3.646
31
1.309
1.696
2.040
2.453
2.744
3.375
3.633
32
1.309
1.694
2.037
2.449
2.738
3.365
3.622
104
Tabla II. Valores crticos para la distribucin t de Student.

alfa = rea a la derecha de t (df, alfa)
T~t(df)
P(T > t(df,alfa))
grados
de
libertad
alfa
0.1000
0.0500
0.0250
0.0100
0.0050
0.0010
0.0005
33
1.308
1.692
2.035
2.445
2.733
3.356
3.611
34
1.307
1.691
2.032
2.441
2.728
3.348
3.601
35
1.306
1.690
2.030
2.438
2.724
3.340
3.591
36
1.306
1.688
2.028
2.434
2.719
3.333
3.582
37
1.305
1.687
2.026
2.431
2.715
3.326
3.574
38
1.304
1.686
2.024
2.429
2.712
3.319
3.566
39
1.304
1.685
2.023
2.426
2.708
3.313
3.558
40
1.303
1.684
2.021
2.423
2.704
3.307
3.551
60
1.296
1.671
2.000
2.390
2.660
3.232
3.460
120
1.289
1.658
1.980
2.358
2.617
3.160
3.373
inf
1.282
1.645
1.960
2.327
2.576
3.091
3.291
105
Tabla III. Valores crticos para la distribucin Ji Cuadrado

alfa = rea a la izquierda de 2 (df, alfa)
X ~ 2 (df)
P(X > 2 (df.alfa))
grados
de
libertad
alfa
0.100
0.050
0.025
0.010
0.005
2.7055
3.8415
5.0239
6.6349
7.8794
4.6052
5.9915
7.3778
9.2104
10.5965
6.2514
7.8147
9.3484
11.3449
12.8381
7.7794
9.4877
11.1433
13.2767
14.8602
9.2363
11.0705
12.8325
15.0863
16.7496
10.6446
12.5916
14.4494
16.8119
18.5475
12.0170
14.0671
16.0128
18.4753
20.2777
13.3616
15.5073
17.5345
20.0902
21.9549
14.6837
16.9190
19.0228
21.6660
23.5893
10
15.9872
18.3070
20.4832
23.2093
25.1881
11
17.2750
19.6752
21.9200
24.7250
26.7569
12
18.5493
21.0261
23.3367
26.2170
28.2997
13
19.8119
22.3620
24.7356
27.6882
29.8193
14
21.0641
23.6848
26.1189
29.1412
31.3194
15
22.3071
24.9958
27.4884
30.5780
32.8015
16
23.5418
26.2962
28.8453
31.9999
34.2671
17
24.7690
27.5871
30.1910
33.4087
35.7184
18
25.9894
28.8693
31.5264
34.8052
37.1564
19
27.2036
30.1435
32.8523
36.1908
38.5821
20
28.4120
31.4104
34.1696
37.5663
39.9969
21
29.6151
32.6706
35.4789
38.9322
41.4009
22
30.8133
33.9245
36.7807
40.2894
42.7957
23
32.0069
35.1725
38.0756
41.6383
44.1814
24
33.1962
36.4150
39.3641
42.9798
45.5584
25
34.3816
37.6525
40.6465
44.3140
46.9280
26
35.5632
38.8851
41.9231
45.6416
48.2898
27
36.7412
40.1133
43.1945
46.9628
49.6450
28
37.9159
41.3372
44.4608
48.2782
50.9936
29
39.0875
42.5569
45.7223
49.5878
52.3355
30
40.2560
43.7730
46.9792
50.8922
53.6719
31
41.4217
44.9853
48.2319
52.1914
55.0025
32
42.5847
46.1942
49.4804
53.4857
56.3280
33
43.7452
47.3999
50.7251
54.7754
57.6483
34
44.9032
48.6024
51.9660
56.0609
58.9637
35
46.0588
49.8018
53.2033
57.3420
60.2746
106

alfa = rea a la izquierda de 2 (df, alfa)
X ~ 2 (df)
P(X > 2 (df.alfa))
grados
de
libertad
alfa
0.100
0.050
0.025
0.010
0.005
36
47.2122
50.9985
54.4373
58.6192
61.5811
37
48.3634
52.1923
55.6680
59.8926
62.8832
38
49.5126
53.3835
56.8955
61.1620
64.1812
39
50.6598
54.5722
58.1201
62.4281
65.4753
40
51.8050
55.7585
59.3417
63.6908
66.7660
50
63.1671
67.5048
71.4202
76.1538
79.4898
60
74.3970
79.0820
83.2977
88.3794
91.9518
70
85.5270
90.5313
95.0231
100.4251
104.2148
80
96.5782
101.8795
106.6285
112.3288
116.3209
90
107.5650
113.1452
118.1359
124.1162
128.2987
100
118.4980
124.3421
129.5613
135.8069
140.1697
150
172.5812
179.5806
185.8004
193.2075
198.3599
200
226.0210
233.9942
241.0578
249.4452
255.2638
300
331.7885
341.3951
349.8745
359.9064
366.8439
400
436.6490
447.6324
457.3056
468.7244
476.6068
500
540.9303
553.1269
563.8514
576.4931
585.2060
107

alfa = rea a la derecha de 2 (df, alfa)
X ~ 2 (df)
P(X > 2 (df, alfa))
grados
de
libertad
alfa
0.995
0.990
0.975
0.950
0.900
0.0000
0.0002
0.0010
0.0039
0.0158
0.0100
0.0201
0.0506
0.1026
0.2107
0.0717
0.1148
0.2158
0.3518
0.5844
0.2070
0.2971
0.4844
0.7107
1.0636
0.4118
0.5543
0.8312
1.1455
1.6103
0.6757
0.8721
1.2373
1.6354
2.2041
0.9893
1.2390
1.6899
2.1673
2.8331
1.3444
1.6465
2.1797
2.7326
3.4895
1.7349
2.0879
2.7004
3.3251
4.1682
10
2.1558
2.5582
3.2470
3.9403
4.8652
11
2.6032
3.0535
3.8157
4.5748
5.5778
12
3.0738
3.5706
4.4038
5.2260
6.3038
13
3.5650
4.1069
5.0087
5.8919
7.0415
14
4.0747
4.6604
5.6287
6.5706
7.7895
15
4.6009
5.2294
6.2621
7.2609
8.5468
16
5.1422
5.8122
6.9077
7.9616
9.3122
17
5.6973
6.4077
7.5642
8.6718
10.0852
18
6.2648
7.0149
8.2307
9.3904
10.8649
19
6.8439
7.6327
8.9065
10.1170
11.6509
20
7.4338
8.2604
9.5908
10.8508
12.4426
21
8.0336
8.8972
10.2829
11.5913
13.2396
22
8.6427
9.5425
10.9823
12.3380
14.0415
23
9.2604
10.1957
11.6885
13.0905
14.8480
24
9.8862
10.8563
12.4011
13.8484
15.6587
25
10.5196
11.5240
13.1197
14.6114
16.4734
26
11.1602
12.1982
13.8439
15.3792
17.2919
27
11.8077
12.8785
14.5734
16.1514
18.1139
28
12.4613
13.5647
15.3079
16.9279
18.9392
29
13.1211
14.2564
16.0471
17.7084
19.7677
30
13.7867
14.9535
16.7908
18.4927
20.5992
31
14.4577
15.6555
17.5387
19.2806
21.4336
32
15.1340
16.3622
18.2908
20.0719
22.2706
33
15.8152
17.0735
19.0467
20.8665
23.1102
34
16.5013
17.7891
19.8062
21.6643
23.9522
35
17.1917
18.5089
20.5694
22.4650
24.7966
108

alfa = rea a la derecha de 2 (df, alfa)
X ~ 2 (df)
P(X > 2 (df, alfa))
grados
de
libertad
alfa
0.995
0.990
0.975
0.950
0.900
36
17.8868
19.2326
21.3359
23.2686
25.6433
37
18.5859
19.9603
22.1056
24.0749
26.4921
38
19.2888
20.6914
22.8785
24.8839
27.3430
39
19.9958
21.4261
23.6543
25.6954
28.1958
40
20.7066
22.1642
24.4331
26.5093
29.0505
50
27.9908
29.7067
32.3574
34.7642
37.6886
60
35.5344
37.4848
40.4817
43.1880
46.4589
70
43.2753
45.4417
48.7575
51.7393
55.3289
80
51.1719
53.5400
57.1532
60.3915
64.2778
90
59.1963
61.7540
65.6466
69.1260
73.2911
100
67.3275
70.0650
74.2219
77.9294
82.3581
150
109.1423
112.6676
117.9846
122.6918
128.2750
200
152.2408
156.4321
162.7280
168.2785
174.8353
300
240.6631
245.9727
253.9122
260.8781
269.0679
400
330.9029
337.1552
346.4817
354.6410
364.2074
500
422.3034
429.3874
439.9360
449.1467
459.9261
109
Tabla IV: Valores percentiles en 95avos (niveles de 0.05), F0.95, m , n ,

para la distribucin F.
1
m grados de libertad en el numerador

n grados de libertad en el denominador
0.95
0.05
F0.95
m
n
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120
10
12
15
20
24
30
40
60
120
161
18.5
10.1
7.71
6.61
5.99
5.59
5.32
5.12
4.96
4.84
4.75
4.67
4.60
4.54
4.49
4.45
4.41
4.38
4.35
4.32
4.30
4.28
4.26
4.24
4.23
4.21
4.20
4.18
4.17
4.08
4.00
3.92
3.84
200
19.0
9.55
6.94
5.79
5.14
4.74
4.46
4.26
4.10
3.98
3.89
3.81
3.74
3.68
3.63
3.59
3.55
3.52
3.49
3.47
3.44
3.42
3.40
3.39
3.37
3.35
3.34
3.33
3.32
3.23
3.15
3.07
3.00
216
19.2
9.28
6.59
5.41
4.75
4.35
4.07
3.86
3.71
3.59
3.49
3.41
3.34
3.29
3.24
3.20
3.16
3.13
3.10
3.07
3.05
3.03
3.01
2.99
2.98
2.96
2.95
2.93
2.62
2.84
2.76
2.68
2.60
225
19.2
9.12
6.39
5.19
4.53
4.12
3.84
3.63
3.48
3.36
3.26
3.18
3.11
3.06
3.01
2.96
2.93
2.90
2.87
2.84
2.82
2.80
2.78
2.76
2.74
2.73
2.71
2.70
2.69
2.61
2.53
2.45
2.37
230
19.3
9.01
6.26
5.05
4.39
3.97
3.69
3.48
3.33
3.20
3.11
3.03
2.96
2.90
2.85
2.81
2.77
2.74
2.71
2.68
2.66
2.64
2.62
2.60
2.59
2.57
2.56
2.55
2.53
2.45
2.37
2.29
2.21
234
19.3
8.94
6.16
4.95
4.28
3.87
3.58
3.37
3.22
3.09
3.00
2.92
2.85
2.79
2.74
2.70
2.66
2.63
2.60
2.57
2.55
2.53
2.51
2.49
2.47
2.46
2.45
2.43
2.42
2.34
2.25
2.18
2.10
237
19.4
8.89
6.09
4.88
4.21
3.79
3.50
3.29
3.14
3.01
2.91
2.83
2.76
2.71
2.66
2.61
2.58
2.54
2.51
2.49
2.46
2.44
2.42
2.40
2.39
2.37
2.36
2.35
2.33
2.25
2.17
2.09
2.01
239
19.4
8.85
6.04
4.82
4.15
3.73
3.44
3.23
3.07
2.95
2.85
2.77
2.70
2.64
2.59
2.55
2.51
2.48
2.45
2.42
2.40
2.37
2.36
2.34
2.32
2.31
2.29
2.28
2.27
2.18
2.10
2.02
1.94
241
19.4
8.81
6.00
4.77
4.10
3.68
3.39
3.18
3.02
2.90
2.80
2.71
2.65
2.59
2.54
2.49
2.46
2.42
2.39
2.37
2.34
2.32
2.30
2.28
2.27
2.25
2.24
2.22
2.21
2.12
2.04
1.96
1.88
242
19.4
8.79
5.96
4.74
4.06
3.64
3.35
3.14
2.98
2.85
2.75
2.67
2.60
2.54
2.49
2.45
2.41
2.38
2.35
2.32
2.30
2.27
2.25
2.24
2.22
2.20
2.19
2.18
2.16
2.08
1.99
1.91
1.83
244
19.4
8.74
5.91
4.68
4.00
3.57
3.28
3.07
2.91
2.79
2.69
2.60
2.53
2.48
2.42
2.38
2.34
2.31
2.28
2.25
2.23
2.20
2.18
2.16
2.15
2.13
2.12
2.10
2.09
2.00
1.92
1.83
1.75
246
19.4
8.70
5.86
4.62
3.94
3.51
3.22
3.01
2.85
2.72
2.62
2.53
2.46
2.40
2.35
2.31
2.27
2.23
2.20
2.18
2.15
2.13
2.11
2.09
2.07
2.06
2.04
2.03
2.01
1.92
1.84
1.75
1.67
248
19.4
8.66
5.80
5.56
3.87
3.44
3.15
2.94
2.77
2.65
2.54
2.46
2.39
2.33
2.28
2.23
2.19
2.16
2.12
2.10
2.07
2.05
2.03
2.01
1.99
1.97
1.96
1.94
1.93
1.84
1.75
1.66
1.57
249
19.5
8.64
5.77
4.53
3.84
3.41
3.12
2.90
2.74
2.61
2.51
2.42
2.35
2.29
2.24
2.19
2.15
2.11
2.08
2.05
2.03
2.01
1.98
1.96
1.95
1.93
1.91
1.90
1.89
1.79
1.70
1.61
1.52
250
19.5
8.62
5.75
4.50
3.81
3.38
3.08
2.86
2.70
2.57
2.47
2.38
2.31
2.25
2.19
2.15
2.11
2.07
2.04
2.01
1.98
1.96
1.94
1.92
1.90
1.88
1.87
1.85
1.84
1.74
1.65
1.55
1.46
251
19.5
8.59
5.72
4.46
3.77
3.34
3.04
2.83
2.66
2.53
2.43
2.34
2.27
2.20
2.15
2.10
2.06
2.03
1.99
1.96
1.94
1.91
1.89
1.87
1.85
1.84
1.82
1.81
1.79
1.69
1.59
1.50
1.39
252
19.5
8.57
5.69
4.43
3.74
3.30
3.01
2.79
2.62
2.49
2.38
2.30
2.22
2.16
2.11
2.06
2.02
1.98
1.95
1.92
1.89
1.86
1.84
1.82
1.80
1.79
1.77
1.75
1.74
1.64
1.53
1.43
1.32
253
19.5
8.55
5.66
4.40
3.70
3.27
2.97
2.75
2.58
2.45
2.34
2.25
2.18
2.11
2.06
2.01
1.97
1.93
1.90
1.87
1.84
1.81
1.79
1.77
1.75
1.73
1.71
1.70
1.68
1.58
1.47
1.35
1.22
254
19.5
8.53
5.63
4.37
3.67
3.23
2.93
2.71
2.54
2.40
2.30
2.21
2.13
2.07
2.01
1.96
1.92
1.88
1.84
1.81
1.78
1.76
1.73
1.71
1.69
1.67
1.65
1.64
1.62
1.51
1.39
1.25
1.00
http://www.edustatspr.com/documentos/mi_lugar_en_el_ciberespacio.htm
110

VALEATORIAS

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

VALEATORIAS

Încărcat de

Drepturi de autor:

Formate disponibile

Notas de Estadstica Aplicada a la Administracin, Contadura, Informtica Administrativa I y Negocios y Comercio Internacionales.

Dr. Francisco Javier Tapia Moreno. Marzo de 2011.

3.1. Distribuciones discretas.

Variables aleatorias discretas.

TABLA 3.2. DISTRIBUCIN DE PROBABILIDAD DE LA SUMA OBSERVADA EN EL LANZAMIENTO DE DOS DADOS.

TABLA 3.3. DISTRIBUCIN DE PROBABILIDAD DE LA SUMA OBSERVADA EN EL LANZAMIENTO DE DOS DADOS.

f ( x ) 0 para todo valor x en el dominio.

f ( x ) 1 donde la sumatoria se extiende sobre todos los valores x en el dominio de f.

Ejercicio 3.4. Verifica que la funcin f ( x )

dominio y su campo de valores.

Valor observado de la variable x

121 0.083 , ya que la altura de la

para extender la nocin de probabilidad a otras variables.

F(4) F(5), es decir si el valor en

127 , por esta razn la grfica muestra un salto en ese punto.

Valor esperado de variables aleatorias discretas.

f ( x ), entonces el valor esperado de X es

una variable aleatoria con funcin de probabilidad

E( X ) x f ( x ). Ilustremos esta frmula mediante dos ejemplos.

y 1, 4, 9, 16, 25, 36, as

una variable aleatoria que tiene funcin de probabilidad

y 0, 9. Entonces E( Y ) 2 1 2 4 1 0 1 9. Esta ecuacin la podemos rescribir como:

Teorema 3.1. Si X es una v. a. discreta y f ( x ) es su funcin de linealidad, Y g( X ) es una funcin a

c1 , c2 , , cn son constantes reales, y g1 ( X ), g 2 ( X ), , g n ( X ), son funciones

g( X ) X r para r = 0, 1, 2, 3,... . La expresin E( X r ) se conoce como el

Su raz cuadrada positiva,

, se conoce como la desviacin estndar

Teorema 3.5. Si X es una variable aleatoria con varianza

3.1.1. Distribuciones discretas ms comunes.

Distribucin uniforme discreta.

Ejemplo 3.10. La probabilidad de que en el lanzamiento de un dado legal aparezca un 5 es

probabilidad de obtener un 3, o un 7, o un 2, etc.

En una distribucin Binomial, se realizan n repeticiones independientes de un experimento de Bernoulli. La variable X

1 0.955 1 0.774 0.226

Una variable aleatoria geomtrica no tiene memoria, es decir:

Utilizando la definicin de probabilidad condicional obtenemos:

P(de funcionar bien por dos horas) = P X 3

P(de funcionar bien por dos horas) = 1

= 1 p qp 1 0.02 0.980.02 0.9604

Determine la probabilidad de que se encuentre el primer aspirante con un entrenamiento avanzado en

Distribucin Binomial Negativa.

La media de X, o valor esperado es: E ( X )

los mejores. Como 2

105(20 5)( 20 10) 7,500 0.9868,

entonces 0.9868 0.9934

La media de X es E(X) t y su varianza es

La media de X es E(X) y su varianza es 2 .

P( X 6) 1 0.0498 0.1498 0.1494 0.2240 0.2240 0.1680 0.1008

Adems, se tiene que 3 , 2 3 y 3 1.73 .

3.2. Distribuciones continuas

Variables aleatorias continuas.

Forma de las distribuciones continuas.

en donde f ( y ) es la funcin de densidad de probabilidad y t se utiliza como la variable para la integracin. La

Valor esperado de variables aleatorias continuas.

siempre que exista la integral.

3.2.1. Distribuciones continuas ms comunes.

Tiene forma de campana

Distribucin normal estndar.

P(0 Z 1.73) 0.5 0.0418 0.4582

Entonces la fraccin buscada de la poblacin est dada por el rea entre

Se tiene que A A0.5 A1.5 0.3085 0.0668 0.2417

= 0 en cualquier otro punto.

y 1e y dy . La cantidad se conoce como la funcin gamma. La integracin directa da que

1 1 . La integracin por partes indica 1 1 para cualquier 1 y que n n 1! , para un