Distribuciones continuas

Al calcular las probabilidades de variables

aleatorias continuas, no se puede hablar de
que tome un valor en particular.
Sino de la probabilidad de que la variable
tome valores en n intervalo P(a x b).
A las funciones de probabilidad de las
variables continuas se les llama funciones de
densidad y se integran para obtener la
propiedades buscadas.
DISTRIBUCIONES
CONTINUAS: UNIFORME
D. UNIFORME
La distribucin
uniforme es aquella que
puede tomar cualquier
valor dentro de un
intervalo, todos ellos con
la misma probabilidad.

Es una distribucin
continua porque puede
tomar cualquier valor y
no nicamente un
nmero determinado
(como ocurre en las
distribuciones discretas).


Funcin de distribucin de
probabilidad
Varianza=
Ejemplo:
Su funcin de
densidad, aquella que nos
permite conocer la
probabilidad que tiene
cada punto del intervalo,
viene definida por:




El precio medio del litro de
gasolina durante el prximo
ao se estima que puede
oscilar entre 11 y 15 pesos.
Podra ser, por tanto, de
$ 11 , o de $ 11,40 o de $
11.455, 14.5 etc.

Hay infinitas posibilidades,
todas ellas con la misma
probabilidad.
Donde:
b: es el extremo superior (en el
ejemplo, 15 pesos)
a: es el extremo inferior (en el
ejemplo, 11 pesos)
El valor medio de esta distribucin se calcula:

Por lo tanto, el precio medio esperado de la
gasolina para el prximo ao es de 13.00 pesos.
Ejemplo
El volumen de
precipitaciones estimado
para el prximo ao en la
ciudad de Durango va a
oscilar entre 400 y 500 litros
por metro cuadrado.
Calcular la funcin de
distribucin y la precipitacin
media esperada:
Es decir, que el volumen
de precipitaciones est
entre 400 y 401 litros tiene
un 1% de probabilidades;
que est entre 401 y 402
litros, otro 1%, etc.
El valor medio esperado es:
Es decir, la precipitacin media
estimada en Durango para el
prximo ao es de 450 litros.

Distribuciones continuas:
normal
Distribucin Normal
Descubierta en 1733 por el
francs Moiure, descrita
tambin por Laplace y Gauss
(sinnimo de la forma grfica
de esta distribucin).
Importancia prctica de esta
distribucin terica:
Distribucin de promedios.
Distribucin de errores.
Mide en forma muy aproximada
fenmenos naturales, industria e
investigacin
Es el modelo de distribucin ms
utilizado en la prctica, ya que
multitud de fenmenos se
comportan segn una distribucin
normal.
Esta distribucin de caracteriza porque
los valores se distribuyen formando
una campana de Gauss, en torno a un
valor central que coincide con el valor
medio de la distribucin:
Un 50% de los valores estn a
la derecha de este valor central
y otro 50% a la izquierda
Caractersticas D. Normal
rea bajo la curva entre
2 puntos representa
probabilidad que ocurra
un hecho entre esos dos
puntos
Su dominio va de menos
infinito a ms infinito;
Es simtrica con respecto
a su media;
Tiene dos colas.

El valor del rea debajo de toda la
curva es igual a 1;
El centro de la curva est
representado por la media
poblacional ().
Para cualquier curva normal, el
rea de -o a +o es igual a 0.6827;
de -2o a +2o de 0,9545 y de -3o a
+3o de 0,9973;
Esta distribucin viene definida por dos
parmetros:
: es el valor medio de la
distribucin y es
precisamente donde se sita
el centro de la curva (de la
campana de Gauss).
: es la varianza. Indica si los
valores estn ms o menos
alejados del valor central: si la
varianza es baja los valores
estn prximos a la media; si es
alta, entonces los valores estn
muy dispersos.
Cuando la media de la distribucin es 0 y la varianza es 1 se
denomina "normal tipificada", y su ventaja reside en que hay
tablas donde se recoge la probabilidad acumulada para cada
punto de la curva de esta distribucin.
!toda distribucin normal se puede transformar en
una normal tipificada!
Ejemplo

Una variable aleatoria sigue el modelo de una distribucin

normal con media 10 y varianza 4. Transformarla en una
normal tipificada.

X: N (10, 4)
Para transformarla en una normal tipificada se crea una nueva
variable (Z) que ser igual a la anterior (X) menos su media
y dividida por su desviacin tpica (que es la raz cuadrada
de la varianza)
Calcular la P(Z<1.35)
Ejemplo
Para la distribucin normal tipificada, calcular :
a) Percentil 21
21 % del rea total (1)

Del otro lado quedara .79, lo buscamos en tablas.
Z=.81
Ejemplo
Las calificaciones de los 500 aspirantes
presentados a un examen para
contratacin laboral, se distribuye
normalmente con media 6.5 y varianza 4.

a) Calcule la probabilidad de que un aspirante
obtenga ms de 8 puntos.

N(6.5, 4 )
Consultando z=0.75
P=0.2266
b) Cuntos aspirantes obtuvieron calificaciones
comprendidas entre 5 y 7.5 puntos ?.

P(5<X<7.5)= P(-0.75<Z<0.5)
P(Z=-.75)==0.2266
P(Z=0.5)=0.6914

P(5<X<7.5)=0.6914-0.2266=0.4648
(0.4648)(500 aspirantes)=232.41
Las distribuciones t de Student, Chi
cuadrado (Chi) y F, se derivan de la
distribucin Normal y estn relacionadas
con la teora del muestreo pequeo n<
30.
Son muy importantes pues son la base de
metodologas inferenciales, tales como
Intervalos de Confianza y Pruebas de
Hiptesis.

T de student
En muchos casos se seleccionan de una
poblacin normal, muestras de tamao
pequeo n < 30 y desviacin estandar
desconocido

Condiciones:
n 30
Desviacin estndar pob.=?

Caractersticas:
La distribucin t-Student es menor en la media y ms alta en los
extremos que una distribucin normal.
Tiene mayor parte de su rea en los extremos que la distribucin
normal.
Distribucin t de Student
Se puede probar que siendo
x el promedio de una
muestra tomada de una
poblacin normal con media
y varianza o
2
, el estadstico
t es el valor de una variable
aleatoria con distribucin "t"
de Student y parmetro v
(grados de libertad) = n-1.

n s/
- x
= t

Caractersticas Distribucin t
Su dominio va de -
a +;
El rea bajo la curva
desde - a + es igual
a 1
= 0, o
2
depende
parmetro v (grados
libertad)
Varianza > 1, pero se
aproxima a 1 cuando
n
Al aumentar n, la
distribucin t se
aproxima a la Normal;
n > 30 ms,
excelente
aproximacin
Aplicaciones:
Estimacin de
intervalos de confianza
para medias a partir de
muestras pequeas
Pruebas de hiptesis
basadas en muestras <
30
Nivel de Significacin
o = (A+B)
Regin de aceptacin
95%
Se rechaza la
hiptesis nula
Se rechaza la
hiptesis nula
- Valor critico Valor terico de
la diferencia
+ Valor critico
rea A rea B
/2=0,025
/2=0,025
Certeza
Deseada
Ejemplo

Se desea obtener el
tiempo medio requerido
para desarrollar una
prueba de matemtica,
con un intervalo de
confianza del 99%

Para ello se elige una muestra
aleatoria de 16 estudiantes, la
que produce una media de 13 y
una desviacin estndar de 5.6
minutos.
n=16
=13 min.
S= 5.6 min
t=?
X
Calculo de t
Confianza= 99%
Grados de libertad= n-1= 16-1=15
= 1% = 0.01
/2= 0.005

=0,005 =0,005
99%
Sustituyendo
16
) 6 . 5 )( 947 . 2 (
13
16
) 6 . 5 )( 947 . 2 (
- 13 + = > s
12 , 17 88 . 8 = s s
Tiempo medio requerido para
desarrollar la prueba de matemtica
ser entre 8.88 y 17.12 minutos con
una certeza del 99%

Prueba de hiptesis
t de student
G.l. = n-1
H
o
: 1 = 2
H1: 1 2
n
S
X
t
obtenido
Obtenido

=
n: tamao de la muestra
X: Media muestral
: Media poblacional
S: Desviacin estndar
=
Crtico
t
t tabulado
Si |t
Obtenido
| > |crtico|,
entonces se rechaza la
hiptesis nula (H
o
); y por lo
tanto, se acepta la hiptesis
alterna H
1
.
Ejemplo
Suponga que usted tiene una tcnica
que puede modificar la edad a la cual
los nios comienzan a hablar. El
promedio de edad, en la cual un nio
emite su primera palabra, es de 13,0
meses. No se conoce la desviacin
estndar poblacional. Usted aplica
dicha tcnica a una muestra aleatoria
de 15 nios. Los resultados arrojan
que la edad media muestral en la que
se pronuncia la primera palabra es de
11.0 meses, con una desviacin
estndar de 3,34.

H
0
: = 13
La tcnica no afecta la edad en que los nios
comienzan a hablar.

H
1
: 13,0 La tcnica afecta la edad en que
los nios comienzan a hablar.

32 , 2
862 , 8
2
15
34 , 3
0 , 13 0 , 11
=

=
n
S
X
t
calculado

145 , 2 =
tabulado
t
= 13
n=15
g.l.=14
X=11
S=3.34

Se rechaza la Ho
entonces t t Si
tabulado
calculado
, >
145 , 2 =
tabulado
t
32 , 2 =
calculado
t
La tcnica afecta la edad en que
los nios comienzan
a hablar.
Distribucin gamma
Es una distribucin de probabilidad
continua con dos parmetros ( y ).
Funcin de densidad x>0




Donde e= 2,71828
= funcin gamma
Para =1,2n ()=(-1)!
Se utiliza para modelar datos asimtricos
cuando las variables >0.
Esta puede describir el tiempo que
transcurre para que un componente
elctrico falle.
Ejemplo
Suponga que cierta
pieza metlica se
romper despus
de sufrir dos ciclos
de esfuerzo.
Si estos ciclos ocurren de
manera independiente a una
frecuencia de dos por cada
100 horas.
Obtener la probabilidad de
que el intervalo de tiempo se
encuentre hasta que ocurre el
segundo ciclo.
X= tiempo que pasa hasta que la
pieza sufre el segundo ciclo
= 2
= 1/50 =0.02
=100
Una desviacin con respecto al tiempo promedio
Distribucin exponencial
Si un evento ocurre en el contexto de
Poisson, entonces la extensin temporal o
espacial entre dos eventos sucesivos
sigue una distribucin exponencial de
probabilidad.
Se emplea para determinar la
probabilidad de ocurrencia de un evento
dado en un intervalo de tiempo dato, en
un rea o volumen especifico

Y la probabilidad
exponencial de que el
primer evento ocurra
en el intervalo temporal
determinado es:
Ejemplo
Un promedio de seis personas por hora
hacen uso de un cajero automtico de
un banco durante una hora pico.
Cual es la probabilidad que pasen al
menos diez minutos entre la llegada
de dos clientes?

Cual es la probabilidad de que tras la

salida de un cliente, llegue otro en al
menos 20 minutos?

Chi- cuadrada
Chi-cuadrada
Distribucin Ji-cuadrado es una
funcin de densidad de
probabilidad que representa la
distribucin muestral de la varianza.

Definimos el estadstico Ji-cuadrado
(_2) como:

o
_
2
2
2 s
1) - (n
=
Caractersticas Ji-cuadrado
Asimtrica y
asinttica al eje x
por la derecha;
Su dominio va de 0
a +
rea bajo la curva
desde 0 a + =1
Tiene parmetro v
= n-1 (g.d.l.)
Al aumentar n se
aproxima a la
normal
Representa distribucin
muestral de varianza.

Entre las aplicaciones:
Determinacin intervalos
confianza para varianzas
Pruebas de hiptesis para
una varianza
Tablas de contingencia
El ajuste de datos a una
distribucin dada conocida
Las pruebas de
independencia.

Ejemplo
Suponga que los tiempos requeridos
por un autobs para alcanzar uno de
sus destinos en una ciudad grande
forman una distribucin normal con
una desviacin estndar de 1 minuto.
Si se elige al azar una muestra de 17
tiempos, encuentre la probabilidad de
que la varianza muestral sea >2.
Valor de Chi-cuadrada, para S=2
P=0.01

Distribucin F de fisher
Prueba igualdad de varianzas
Distribucin "F de Fisher
Tambin llamada "F
de Fisher
Schnedecor
Representa la
distribucin muestral
de la razn de dos
varianzas. Es decir
que se obtiene de la
razn de dos
distribuciones Ji-
cuadrado.
Definimos el
estadstico F como:




s
s
= F
2
2
2
1
El cual es el valor
de una variable
aleatoria que tiene
distribucin F con
parmetros v
1
=n
1
-1
y v
2
=n
2
-1.
Propiedades de Distribucin F
Asimtrica, y asinttica al eje x por el
lado derecho
Su dominio va de 0 a +
rea bajo curva desde 0 a + =1
Tiene parmetros v
1
=n
1
-1 y v
2
=n
2
-1.
Entre sus aplicaciones:
Pruebas de hiptesis entre 2 varianzas
Anlisis de varianza
Anlisis de covarianza.
Ejemplo
Si s
1
2
y s
2
2
son las varianzas mustrales de muestras
aleatorias independientes de tamaos n
1
=10 y
n
2
=20, tomadas de poblaciones normales que
tienen las mismas varianzas, encuentre P(s
1
2
/s
2
2

2.42).
Grados de libertad
n1=10 gl= 10-1=9
n2=20 gl=20-1=19

0.9497
P(s
1
2
/s
2
2
2.42=0.9497
Intervalo de Confianza para
el Cociente de Varianzas de
Dos Distribuciones Normales

Dos poblaciones sobre las que una determinada
variable sigue una distribucin Normal.
Sobre la poblacin 1 la variable sigue una
distribucin N(
1
,
1
) y sobre la poblacin 2 sigue
una distribucin N(
2
,
2
).
Igualmente supondremos que disponemos de
dos muestras aleatorias independientes, una para
cada poblacin, de tamaos
muestrales n
1
y n
2
respectivamente.
Intervalo de confianza
Ejemplo
Mtodo 1 Mtodo 2
n
1
= 31 n
2
= 25
s
1
2
= 50 s
2
2
= 24
Un fabricante de automviles pone
a prueba dos nuevos mtodos de
ensamblaje de motores respecto al
tiempo en minutos. Los resultados
se muestran el la tabla:
Construya un intervalo de
confianza del 90% para 1/ 2
Nivel de confianza=90%
Con un nivel de confianza del 90% se
sabe que la relacin de varianzas
1
2
/
2
2
esta entre 1.07 y 3.93.