Presentacin y Objetivos.
En este tema se propone el estudio de las variables aleatorias continuas ms importantes, desde
la ms simple incrementando el grado de sofisticacin. Tras conocer en detalle cada una de
ellas, se estudiar en qu condiciones se admiten aproximaciones a la distribucin Normal, cuya
importancia se ver reflejada y quedar justificada en los contenidos de los temas relacionados
con la Inferencia Estadstica.
Esquema Inicial.
1. Distribucin Uniforme.
2. Distribucin Normal o Gaussiana.
3. Distribucin Gamma.
4. Distribucin Beta.
1. Distribucin Uniforme
1
si
0 en el resto
a) 0 al ser .
b) 1
Su funcin de distribucin es
0 si
si
1 si
Media:
1 1
2 2 2
1 1
3 3 3
con lo que
2
3 4 12
, ,
Esta distribucin destaca por sus mltiples aplicaciones y por los teoremas centrales del lmite
que se estudiarn ms adelante. Las aplicaciones ms destacadas son las siguientes: para
representar variables fsicas (temperatura, altura, peso, ), errores de instrumentacin,
calificaciones en pruebas de aptitud, inferencia estadstica (ya que muchos estadsticos tienden a
la Normal conforme crece el tamao de la muestra), tiempo de vida de un componente elctrico.
1
,
2
0,6
0,5 = 0,7
f( x ) 0,4
0,3
=1
0,2
0,1 =2
0
-10 -6 -2 2 6 10
x
Figura 1: Distribucin Normal para diferentes valores de
~ ,
La funcin de distribucin es
1
2
Esta funcin existe pero no se puede poner en funcin de las conocidas. Se transforma en una
distribucin 0,1 haciendo el cambio :
1
2
es decir
, ,
Media:
Varianza:
llama tipificacin.
As,
, 0,1
donde ~ 0,1 .
1 1 0,6826
2 2 2 2 0,9544
3 3 3 3 0,9974
Estas probabilidades indican que existe gran concentracin de valores alrededor de la media.
1
2
La funcin de distribucin es
1
2
Como no tiene primitiva, la funcin de distribucin est tabulada para distintos valores de
, en las denominadas tablas de reas acumuladas. Se pueden encontrar distintos tipos de tablas:
1. Tablas de colas:
Dan las reas de las colas de la 0,1 .
2
| |
2
2. Tablas de reas acumuladas:
a) reas de la izquierda:
b) reas de la derecha:
3. Tablas de otro tipo: 0
Conocida una tabla, se pueden construir las otras. En las tablas suele aparecer en la columna
dcimas y en las filas centsimas, que forman la abscisa positiva de la 0,1 .
1 1
1 2 1
Ejemplo 4: Un tubo electrnico tiene una distribucin de vida Normal 280 horas de media y
desviacin tpica . Cul debe ser el valor mximo que debe alcanzar si se quiere que el tubo
tenga una probabilidad 0,8 de vivir entre 240 y 320 horas?
Se define la variable aleatoria
cuya distribucin es 280, y hay que obtener el valor de tal que
240 320 0,8
Tipificando se obtiene
240 280 280 320 280
240 320
40 40
0,8
40
2 1 0,8
, que verifica , 0,9. Se obtiene , 1,2816 (se ha utilizado una tabla con la
funcin de distribucin y se ha interpolado linealmente entre los valores , 1,28 y
, 1,29 , y
40
1,2816 31,21098
, 0,1
0,5 0,5
Adems,
0,5
0,5
0,5 0,5
Resumiendo,
Ejemplo 6: Un vivero prepara pedidos de la planta Actinida (kiwi). Se necesita planta macho y
planta hembra para la fructificacin. El vivero estima que el 6% de las plantas son machos. Si se
realiza un pedido de 100 plantas,
valores positivos o en un determinado intervalo. Para estos casos se utiliza la Normal truncada.
A continuacin se muestra, en general, cmo se define la distribucin de una variable
aleatoria truncada.
Sea variable aleatoria y sea un subconjunto de , la funcin de distribucin de
truncada en es | que ser:
a) Si es discreta:
,
| si
donde es el soporte de , es decir, 0.
En el resto es 0.
b) Si es continua:
, ,
|
si
1
si 0
2
0 en el resto
donde
1
1
2
Ejemplo 8: En una poblacin el cociente intelectual sigue una distribucin Normal de media
100 y de varianza 256. Se considera que un estudiante de Informtica terminar la carrera si su
cociente intelectual es superior a 110. Por otra parte se clasifica a una persona como muy
inteligente si su cociente es superior a 132. Calcular la proporcin de muy inteligentes entre los
ingenieros en Informtica.
~ 100, 256 16
3. Distribucin Gamma
Se dice que una variable aleatoria sigue una distribucin Gamma de parmetros , 0
( , ) si su funcin de densidad es de la forma:
si 0
Se puede demostrar que esta funcin es continua, que converge para 0 y que converge
uniformemente respecto a . Adems, tiene las siguientes propiedades:
a) 1 1
b) 1 1
c) 1 ! si
d)
e) siendo con 0
1
= 1, p = 1
0,8
0,6
f(x)
0,4 = 1, p = 1,5
0
0 4 8 12 16
Figura 2: Distribucin Gamma para diferentes valores de
x
y .
~ ,
Su funcin de distribucin es
, 0
Media:
Varianza:
10
1 1
2! 1 !
Esta distribucin se utiliz por primera vez en problemas de trfico en lneas telefnicas.
Algunos ejemplos de modelos que siguen una distribucin Gamma, son los siguientes:
Tiempo aleatorio de fallo de un sistema que falla slo si de manera exacta los
componentes fallan y el fallo de cada componente ocurre a una frecuencia constante
por unidad de tiempo.
Problemas de lneas de espera para representar el intervalo total para completar una
reparacin si sta se realiza en subestaciones de manera independiente y con una
frecuencia constante .
Si se considera una pieza metlica que se encuentra sometida a cierta fuerza, de manera
que se romper despus de aplicar un nmero especfico de ciclos de fuerza, donde los
ciclos ocurren de manera independiente y a una frecuencia promedio; el tiempo que
debe transcurrir antes de que el material se rompa se distribuye segn una gamma.
Es tambin un caso particular de la distribucin Gamma y es muy importante por sus mltiples
usos y aplicaciones.
11
si 0
0 en el resto
Media:
1
Varianza:
1
0 sucesos en 0, 1
Ejemplo 9: El nmero de personas necesarias para la visita turstica a una cueva es de 25. Si el
nmero de personas que solicita dicho servicio sigue una distribucin de Poisson de media 90
personas por hora y el ltimo grupo parti a las siete, a qu hora se espera que salga el
siguiente? Si alguien llega a las 7:25 y con l hay 24 personas, cul es la probabilidad de que la
visita tarde ms de dos minutos en empezar?
90 3
~ 1,5
60 2
25 ~ 1,5; 25
12
25
16,6 minutos
1,5
Con lo que se espera que el siguiente grupo salga entre las 7:16 y 7:17 horas.
que sigue una distribucin Exponencial de parmetro 1,5, ya que representa el tiempo que
tarda en llegar una nueva persona, es decir, el tiempo hasta la ocurrencia del siguiente suceso de
Poisson. As, la probabilidad de que la visita tarde ms de dos minutos en empezar es
,
2 1 2 0,049787
4. Distribucin Beta
1
1 si 0 1
,
, 1 con , 0
a) 1,1 1
b) ,
13
c) , ,
d) ,
3
p = 2, q = 5 p = 2,5, q = 1
2,5
2
f(x)
p=q=2
1,5
1
0,5
0
0 0,2 0,4 0,6 0,8 1
x
Figura 3: Distribucin Beta para diferentes valores de y
Media:
Varianza:
14