Capitulo 7

P
CAPITULO Nº 7: Modelos Especiales de Probabilidad

Variables Aleatorias Continuas
Objetivos Específicos
Que el estudiante:
Conozca alguno de los diferentes modelos de probabilidad de variables aleatorias continuas.
Distinga las características de cada modelo, a lo fines de aplicarlos a situaciones reales.
Reconozca las funciones de densidad y de acumulación para el cálculo de probabilidades.
Conozca el manejo de las tablas usuales y como las mismas fueron calculadas a través de sus
respectivas funciones de probabilidad y de acumulación.
Conozca y comprenda la importancia de la Ley de los Grandes Números y el Teorema Central

del Límite
Conozca y maneje tablas de la Distribución Chi cuadrado, útil para la estimación y dócima de la
varianza.
Conozca y maneje tablas de la Distribución t de Student, útil para la estimación y dócima de la

media poblacional cuando se desconoce la varianza poblacional.
Prof. Cdra. Gladys M. Rouadi

63
P
Contenidos
1. Modelos especiales de probabilidad

variables continuas.
1.1. Modelo Uniforme Continuo
Función de densidad.
Función de distribución o función de acumulación.
Parámetros: esperanza matemática, varianza y desviación estándar.
1.2. Modelo Exponencial
1.3. Modelo Normal
1.3.1. Modelo Normal General
Propiedades.
1.3.2. Modelo Normal Estándar
Tablas usuales.
1.3.3. Aplicaciones
Regla empírica para la interpretación de la varianza.
Puntaje típico.
1.4. Relación entre modelos discretos y el Modelo Normal
1.4.1. Aproximación del Modelo Binomial para la variable x, al MODELO
NORMAL.
1.4.2. Aproximación del Modelo Hipergeométrico para la variable x, al Modelo
Normal.
1.4.3. Aproximación del Modelo Binomial e Hipergeométrico para la variable P̂ , al
Modelo Normal.
1.4.4. Aproximación del Modelo Poisson para la variable x, al Modelo Normal
1.5. Distribuciones de las pequeñas muestras
1.5.1. Distribución Chi o Ji Cuadrado.
Aplicaciones.
Tablas usuales.
1.5.2. Distribución t de Student.
Aplicaciones.
Tablas usuales.

64
P
MODELOS ESPECIALES DE PROBABILIDAD

VARIABLES ALEATORIAS CONTINUAS
También en esta Unidad es aplicable lo mencionado en Modelos Especiales de

Probabilidad para Variables Discretas, en relación a que son modelos matemáticos apropiados
para situaciones del mundo real en condiciones específicas. Son importantes porque ayudan a
predecir la conducta de futuras repeticiones de un experimento, en otras palabras, un modelo
probabilístico es una expresión matemática, resultante de un cúmulo de supuestos que tiene
como propósito principal analizar los resultados de un determinado experimento aleatorio con
el fin de poder predecir futuros resultados si dicho experimento se repite muchas veces.
Sólo que ahora nos referiremos a Modelos correspondientes a Variables Aleatorias

Continuas, a quienes asociábamos una Función de Densidad y una Función de Distribución o
de Acumulación.
Los tiempos entre llegadas de clientes a una oficina de atención de público, pueden
representarse por un modelo Exponencial.
El error respecto de una medida especificada, en un objeto producido por un proceso

industrial, es una variable continua que puede representarse mediante un modelo Normal.
También podría representar la dispersión, en torno a un valor promedio, de los puntajes de la
prueba de selección universitaria.
Como puede observarse en los casos planteados hay diferentes modelos, todos ellos,
aplicables en diferentes situaciones, según distinguimos seguidamente:
Tipo de
Modelo a seleccionar
Variable
Modelo Uniforme Continuo
Continuas Modelo Exponencial
Modelo Normal
1.1. MODELO UNIFORME CONTINUO
Una variable aleatoria cuyo valor sólo puede encontrarse en cierto intervalo infinito (a,
b), por ejemplo: x = (Nro. Real x: a  x  b), tiene una distribución uniforme, o rectangular, si
su función de densidad es constante en dicho intervalo.
Función De Densidad
Entonces, se trata de deducir la función de densidad uniforme en el intervalo (a, b), a

partir de una constante arbitraria y = k.
Siguiendo el procedimiento general para determinar si es función de densidad:

 f x  dx  1


65
P
1) Integramos entre los límites del intervalo
k dx  k x ba  k b  a 
b
 a
2) Para que el resultado de la integral dé como resultado 1, dividimos ambos miembros

por k (b – a).
b k k b  a 
 k b  a  dx  k b  a 
a
1 b

1
O sea, dx  1 , lo cual indica que la función constante f(x) = es una
ba a ba
Función De Densidad constante o uniforme en el intervalo (a , b) y lo expresamos:
1
a ≤x ≤b
b-a
f( x) = (1)
0 ∀otro x
De manera que si queremos encontrar la probabilidad de que la variable aleatoria

asuma un valor cualquiera en el intervalo (c , d), siendo a < c < d < b (un subintervalo) será:
d 1 x d d c d -c 1
P ( c < x < d ) = ∫c dx = = - = = (d - c)
b-a b-a c b-a b-a b-a b-a
1
El coeficiente , o sea la función de densidad uniforme se suele llamar factor de
ba
proporcionalidad y nos indica que la probabilidad es proporcional a la longitud del intervalo
cuya probabilidad buscamos.
Entonces, la probabilidad de cualquier hecho que es un subintervalo de (a, b), es

precisamente la razón de la longitud de dicho intervalo (d, c) a la longitud de (a, b); y todo
evento que no pertenezca al intervalo (a, b) será igual al evento imposible, es decir tendrá
probabilidad 0.
Función de Distribución o Función de Acumulación
xa
F x    f x  dx  
x x 1
dx  y la
a a ba ba
Y su expresión correcta es:

66
P
x -a
a < x <b
b -a
F (x ) = 0 x ≤a (2)
1 x ≥b
De (1) y (2) se aprecia que los parámetros de la distribución uniforme serán los valores
de a y b.
Gráficamente:
f(x)
1
a-b
0 a b x
Función De Densidad De Una Distribución Uniforme
Parámetros
Esperanza

Sabemos que E  X    x f x  dx es la esperanza matemática para variables

continuas.
Entonces, reemplazando y resolviendo
1  b2 a2 
b
1 1 1 x2
dx   x dx     
b b
x
EX    ba ba a
ba 2
a
b  a   2 2 
a
1 b2  a2 1 b  a b  a  b  a b  a  b  a 
   
ba 2 ba 2 2b  a  2
ab
Luego EX  
2

67
P
Varianza
Recordemos que V(X) = E(X 2) – [E(X)]2, por lo tanto calculamos E(X 2 ); pues E(X) fue
calculada anteriormente.
b 1  b3 a 3 
b b
   
E X 2    x 2
2
a b  a  3 3 
1 1 1 x
a
ba
dx  
ba a
x 2 dx 
ba 3
1 b 3  a 3  b 3  a 3 
 
ba 3 3b  a 
Entonces:
V  X   E X 2   E  X  
2 b  a3  b  a 
3
 
b 3  a 3   b  a  
2 2
3b  a   2  3b  a  4
4b 3  a 3   3b  a b  a  4b 3  4a 3  3b  a b  a b  a 

2
 
12b  a  12b  a 
4b 3  4a 3  3b 3  3b 2 a  3a 2 b  3a 3 b 3  a 3  3b 2 a  3a 2 b
  
12b  a  12b  a 

b  a 2 b  a   b  a 2
12b  a  12
(b a )2
Por lo tanto: V (X ) =
12
Desviación Estándar
(b - a )2
DS (X ) =
12
Ejemplos:
1) Si queremos definir una función de densidad uniforme, en el intervalo (2,6),

tendremos:
1 1
 2 x6
f x   6  2 4
0  otro x

68
P
x2 x 1
  2x6
62 4 2
F x   0 x2
1 x6
E X  
26
4 y V X  
6  22  1,33
2 12
2) Supongamos que contamos con un péndulo que oscila en un intervalo (0,1), es decir
este aparato producirá, al detenerse un número aleatorio comprendido entre los límites 0 y 1,
de manera que la probabilidad de que el péndulo se ubique dentro de cierto intervalo dado, es
proporcional a la longitud de dicho intervalo. Los eventos elementales de este espacio
probabilístico serán los números reales entre 0 y 1 y la familia F de eventos será aquella que
incluya los subintervalos de (0,1) que satisfagan los axiomas para F. Entonces, la probabilidad
de un evento que corresponde a un subintervalo de (0,1) es proporcional a la longitud de dicho
subintervalo. Dado que la probabilidad es igual a 1 cuando la longitud del intervalo es 1,
entonces la proporcionalidad constante debe ser igual a 1.
Por otra parte todo evento que no pertenezca al intervalo (0, 1) tiene probabilidad 0, es
decir entonces que:
Si 0 < a < b < 1, será
Pra  X  b   1 dx  b  a
b
De manera que la constante 1 es la Función de Densidad de la variable aleatoria X, para

0 < X <1 es decir
1 si 0  x  1 1
f x 
1
0 si x  0 ó x  1 
0
1 dx  x
0
1
Y la Función de Distribución será:
0 para x0
x
F x  x F  X    1 dx  x
1
para 0  x 1  x0 x
0 0
1 para x 1

69
El Modelo de Probabilidad Exponencial es una extensión del Modelo de Poisson y se utiliza para
describir la distribución de tiempos o espacios entre eventos sucesivos en un proceso aleatorio.
Aquí hay una explicación más detallada de algunos de los conceptos clave mencionados: P
1. Relación con el Modelo de Poisson:
En el Modelo de Poisson, se trata de la probabilidad de que ocurra un número específico de
eventos en un intervalo de tiempo o espacio finito.
1.2. MODELO EXPONENCIAL En el Modelo Exponencial, se invierten los roles: ahora se considera la probabilidad del tiempo o
espacio necesario para que ocurra un número específico de eventos.
El Modelo De Probabilidad Exponencial tiene su origen en el Modelo De Poisson,

donde según vimos una posibilidad se relaciona con la probabilidad de ocurrencia de un
número determinado de éxitos en una unidad especificada finita, donde el número de éxitos
pasa a ser la variable aleatoria.
Ahora, si invertimos los papeles de una variable de Poisson y su unidad especificada
finita, tenemos lo que se llama un Modelo De Probabilidad Exponencial.
Precisamente, una variable exponencial x es el intervalo de tiempo, o espacio, requerido

para obtener un número específico de éxitos y ya que el tiempo o el espacio son continuos, una
medición de este tipo es una variable aleatoria continua.
Por ejemplo, si las llegadas de automóviles a una casilla de peaje siguen la ley de
Poisson, entonces el tiempo transcurrido entre llegadas sucesivas de automóviles es lo que
llamaríamos una variable exponencial.
Este modelo es de gran importancia en la teoría de probabilidades aplicada, porque

puede usarse para describir una gran variedad de situaciones aleatorias. En las ciencias de la
administración se encuentran a menudo problemas de operación tales como determinar el
número de casillas de peaje requeridas en las entradas o salidas de carreteras, el número de
líneas telefónicas en una zona determinada, el número de trabajadores en una cafetería, etc.
Cada una de estas situaciones tiene una característica común, la existencia de una demanda
variable de servicio con el tiempo que puede ser satisfecha por un número específico de
trabajadores. Esta demanda variable en el tiempo obedece a la ley exponencial. También
caracteriza bien a fenómenos como la duración de una cinta electrónica, los intervalos de
tiempo entre descomposturas de mecanismos eléctricos o entre accidentes, etc.
De los ejemplos anteriores, vemos que el modelo de probabilidad exponencial surge

como respuesta a la pregunta: si una serie de hechos ocurre en tiempo según la Ley De Poisson
a un ritmo de λ hechos por unidad de tiempo, ¿cuánto tenemos que esperar para poder
observar la primera ocurrencia de un hecho? La respuesta a esta pregunta sugiere un método
de elaborar el Modelo De Probabilidad Exponencial partiendo de un Proceso De Poisson. Tal
como resulta ser cierto para cualquier variable aleatoria continua, no tiene sentido preguntar
“¿Cuál es la probabilidad de que el primer hecho llegue exactamente en un minuto?”. Más
bien, se debe determinar un intervalo dentro del cual debe ocurrir el hecho, como por
ejemplo, preguntado “¿Cuál es la probabilidad de que el primer hecho llegue en un minuto
(dentro de)?”.
Como los Procesos Poisson son estacionarios, y se tiene una probabilidad igual de que
el evento ocurra a todo lo largo del período relevante de tiempo, la Distribución Exponencial
se aplica si lo que interesa es el tiempo (o espacio) hasta la ocurrencia del primer hecho, o el
tiempo entre dos hechos sucesivos o el tiempo que transcurre hasta que se presenta el primer
hecho, después de cualquier punto en el tiempo elegido al azar.
Designaremos por x la variable tiempo entre hechos y procederemos a determinar la

función de distribución de x evaluando el hecho x > xi para cualquier intervalo de tiempo
específico x.

70
P
El hecho x > xi no ha ocurrido aún en el intervalo de tiempo (0; x). Por la Ley De
Poisson, su probabilidad es:
 x  0 
x  

 e x
0! 
P(x > xi) = P [no ocurrencia en (0; x)] = e
De esta manera la Función De Acumulación de la variable exponencial x puede
expresarse:
T(x) = P (x ≤ xi) = 1  e x
Puede demostrarse que la Función De Densidad de una variable exponencial es:

 x
t (x) = λ e para x ≥0
También puede demostrarse que una variable exponencial, como una variable Poisson,
tiene un solo parámetro, su media. Para una Distribución Exponencial tenemos:
1
E(x) = β =
λ
V(x) = β = 12 2
1
DS(x) = β =
λ
De la relación entre λ y β, vemos que las Funciones De Densidad y Acumulación de

una Variable Exponencial también pueden escribirse, respectivamente, como
x

1 
t (x) = e para x ≥ 0

y
x


T(x) = 1 - e para x ≥ 0
En las expresiones anteriores, x es el intervalo de tiempo entre ocurrencias de la

variable Poisson, e es la base de los logaritmos naturales, y λ es el promedio de ocurrencias por
1
unidad de tiempo de la variable de Poisson. El hecho de que β = es un resultado natural,

porque la variable exponencial es el tiempo entre sucesivas ocurrencias de Poisson. A este
respecto, vemos que puede ser interpretada como el intervalo de tiempo medio entre
ocurrencias de Poisson, o el tiempo esperado hasta la primera ocurrencia de un hecho Poisson.
Por otro lado, en la Distribución de Poisson la Esperanza es igual a la Varianza, mientras que
en la Distribución Exponencial, la igualdad es entre la Esperanza y la Desviación Estándar.
Este modelo es también llamado exponencial negativo, porque la pendiente de la curva
de densidad es siempre negativa, indicando que la probabilidad de largos intervalos de tiempo
entre ocurrencias debe ser menor que la probabilidad de intervalos más cortos de tiempo.

71
P
Ejemplo 1:
La distribución de vida durante la cual cierta marca de computadora funciona

eficazmente (horas de operación eficaz antes de la primera descompostura), es exponencial con
β = 360 horas. ¿Cuál es la probabilidad de que la computadora funcione eficazmente menos de
180 horas? ¿Más de 720 horas?
Resolución:
x
1 
360
t (x) = e (0 ≤ x ≤ ∞ )
360
x

360
T(x) = 1 - e
Entonces:
180

360
P(x ≤ 180) = T (180) = 1 - e = 1- e-0,5 = 1 - 0,60653 = 0,39347
720

360
P(x > 720) = e = 0,13534
P (180≤ x ≤ 720) = T (720) – T (180) = (1 – 0,13534) – 0,39347 = 0,47119
En resumen, como los procesos Poisson son estacionarios, y se tiene una probabilidad
igual de que el evento ocurra a todo lo largo del período relevante de tiempo, la distribución
exponencial se aplica si lo que interesa es el tiempo (o espacio) hasta la ocurrencia del primer
evento, o el tiempo entre dos eventos sucesivos o el tiempo que transcurre hasta que se
presenta el primer evento, después de cualquier punto en el tiempo elegido al azar.
La probabilidad exponencial de que ocurra el primer evento dentro del intervalo

designado de tiempo es (en donde  es el número promedio de ocurrencias para el intervalo de
interés).
Prx  xi   1  e x
De manera similar, la probabilidad exponencial de que le primer evento no ocurra

dentro del intervalo designado de tiempo o espacio es:
Prx  xi   e x
Ejemplo 2:
En un departamento de reparación de maquinaria se reciben 5 solicitudes por hora en

promedio. Comenzando la observación en cualquier punto del tiempo, la probabilidad que se
reciba la primera solicitud de servicio dentro de un lapso de media hora es:
Promedio por hora = 5

 = Promedio por media hora = 2,5
P = 1 – e– = 1 – e–2,5 = 1 – 0,08208 = 0,91792

72
P
1.3. MODELO NORMAL
Su importancia se debe principalmente a tres consideraciones generales:
1) Hay muchas variables que parecen seguir una forma de variación que es análoga a la
distribución normal.
Muchos aspectos naturales, tales como los pesos y las alturas de los humanos o
coeficiente de inteligencia, se consideran como de distribución normal.
Normalmente, esto no significa que una distribución de frecuencia relativa, realmente

observada, siga exactamente la distribución normal, pero en promedio, las probabilidades
asociadas a la distribución teórica se aplican muy aproximadamente.
La distribución normal es simplemente una teoría que sirve para explicar, para algunas
variables aleatorias, la relación entre intervalos de sus valores y sus correspondientes
probabilidades.
2) La distribución muestral de muchos estadígrafos muestrales, tales como la media,

tiene una distribución aproximadamente normal independientemente de la distribución de la
población, si el tamaño de la muestra es lo suficientemente grande.
3) Es una excelente aproximación de otras varias distribuciones muestrales. Así, la

distribución Binomial, Poisson, Hipergeométrica, se aproximan a la normal al incrementar el
tamaño muestral.
Este modelo puede expresarse en la Forma General y en Forma Estandarizada.
1.3.1. MODELO NORMAL GENERAL
Dada una variable aleatoria x, diremos que tiene distribución aproximadamente

Normal, con media  y desviación, es decir x  N (,), si su función de densidad es:

 x   2
f x  
1 2 2
e – < x < 
 2
Donde e  2,71828 y  = 3,1416 son constantes.
Gráfica:

   x
La curva lisa y llana que se observa en la figura, se llama Curva Normal.

73
P
Observemos:
1) El símbolo f(x), representa la densidad de probabilidad en cada

posible valor de x, y gráficamente es la ordenada de la curva en todo punto posible x de las
abscisas.
2) Toda el área bajo la curva es igual a 1.
3) El área determinada por un intervalo debajo de la curva y por

encima del eje de las abscisas, es la probabilidad de ese intervalo.
4) La expresión de una función muestra que la densidad de la

probabilidad f(x) depende, fuera de x, valor de la variable aleatoria, solamente de dos
parámetros,  y 2. El parámetro  es la media de la distribución y 2 su varianza.
Los valores de  y  determinan la situación y forma de la curva normal.
Dada, una variación de  traslada la curva como un todo a lo largo de un eje x.
Ejemplo:
 = 1,5
 = –3  = 0 =3
–3 0 3
Para un mismo valor central, cuanto mayor es la desviación típica más aplanada es la
curva, cuanto menor es la desviación, más acusada es la cresta.
Ejemplo:
=0



 X
Es claro que la distribución está completamente definida por la media  y la

desviación. Por ello entonces la distribución que tiene media  y desviación  se denota por x
 N ( ,) ó simplemente con parámetros  y, entendiéndose que en el primer parámetro se
menciona a la media y en el segundo a la desviación.
5) Teóricamente hablando, el dominio de f(x) es infinito, y es una distribución para todos los
valores de x entre – y + y todo intervalo no nulo a lo largo del eje x tiene una
probabilidad no nula.

74
P
6) La curva va como aproximándose, pero sin tocar nunca el eje x, en medida que x se aleja de
, por ello se llama curva asintótica.
7) Como la probabilidad de que x tome algún valor exacto xi es 0, toda

expresión de probabilidad que se relacione con una variable tiene que ponerse en forma de
intervalo o acumulativa.
Entonces, la probabilidad de que x quede por debajo de un cierto valor de x, es la
probabilidad del intervalo entre – y x, o sea:
xi
F (x ) = P (x ≤x i ) = ∫f ( x ) dx , y constituye la función de probabilidad acumulada de x o
-∞
función de acumulación.
Propiedades
1- Es simétrica con respecto al valor medio, eso implica que las superficies son
las mismas desde – a  que desde  a , es decir:
μ ∞ 1
∫f ( x ) dx = ∫f ( x ) dx =
-∞ μ 2
½½

  x
2- Es unimodal o de forma acampanada.
Estos atributos se pueden ver fácilmente en la ecuación


 x   2
f x  
1 2 2
e
 2
Veamos:
1
Dada una distribución con  2 conocida, se sabe que es una constante.
 2
1
El otro factor puede escribirse  x   2 , donde e, 2 y  son constantes.
2 2
e
Entonces nos interesa el numerador del exponente: (x –)2.
Cuando x =, entonces (x =  )2 = 0. Como todo número elevado a la potencia 0 es 1, el

denominador de la fracción anterior y por lo tanto, la fracción misma, es 1.

75
P
1
El valor de la función en el punto x =  es . Este valor es, por lo tanto, la altura
 2
de la curva en el punto central x =, es el único que da la ordenada máxima.
Cuando x se aleja de, la diferencia x –  se hace mayor, y por lo tanto también el

1
cuadrado de la diferencia, lo que equivale a que la fracción:  x   2 se haga menor.
2 2
e
En consecuencia, la altura también será menor. Pero la altura menor no se anula sino
cuando la desviación de x respecto a   . Obsérvese que la diferencia entre x y  interviene
como un valor al cuadrado. De manera que dos valores de x diferentes que difieran lo mismo
de , tendrán la misma densidad, cosa que explica la simetría de la curva normal.
La media, la mediana, y la moda son idénticas.
3- Transformación lineal de escala

Si x y y son dos variables aleatorias y y = a + x, la varianza de y es la misma y la media de y es
simplemente la media de a + x.
Es de esperar que si x tiene distribución normal con  y  , la variable y también sea normal
2
con media  + a y varianza  . 2
En general:
y = a + b. x y x ~ N ( , 2), entonces y  N(a + b.; b 2. 2).
Es decir que una transformación lineal de escala de una variable x con distribución normal, da
una nueva variable y que también tiene distribución normal.
4- Combinación lineal de variables aleatorias

Si x1 , x2 ,… ,xn , son variables normales independientes, su suma S, es también una variable
normal. Además debido a la independencia, la propiedad aditiva se verifica para la Esperanza y
Varianza. Es decir, la esperanza de S es la suma de las esperanzas de las n variables normales.
Igualmente la Varianza.
Esperanza, Varianza y Desviación Estándar
∞
E (x ) = ∫x f ( x ) dx y
-∞
∞ 2
V (x ) = ∫[ x - E(x) ] f ( x ) dx
-∞
DS ( x ) = V (x )

76
P
3.2. MODELO NORMAL ESTÁNDAR
También llamada Distribución Normal Típica.
Podemos contar, como hemos visto, con distribuciones con iguales dispersiones pero
distintas medias, o bien con iguales medias pero distintas dispersiones.
Esto hace que para cada caso, o para cada estudio particular, habría que determinar su
función de densidad y su correspondiente función de distribución o acumulación, o construir
infinitas tablas para las infinitas combinaciones de  y.
Para obviar este inconveniente, y a los fines de trabajar con una sola tabla de
probabilidades correspondientes a distribuciones normales, cualquiera sean los valores de las
medias y las varianzas y mas aún para cualquier unidad de medida, se obtiene la función de
densidad normal, para la variable desvío estandarizada, tipificada o reducida, que según vimos
se simboliza y define:
x
z ~ N 0,1

Y se confecciona la tabla para dicha función. Entonces:
1- La función de densidad queda reducida a la siguiente expresión:
f z  
1
e Z 2 ;
2
z ≈ N (0,1)
2
y tiene las mismas características que la función general.
∞
2- E (z ) = ∫z f ( z ) dz y
-∞
∞ 2 ∞
V (z ) = ∫[ z - E(z) ] f ( z ) dz = ∫z 2 f ( z ) dz para E ( z ) = 0
-∞ -∞
Demostraremos a continuación que E z   0 y V z   1
x 1 
z  x
  
Como 1/ y / son constantes, se tiene:
1  1  1 
E z   E  x    E x       0
     
1  1
V z   V  x    2 V x   0  2  2  0  1
1
   

77
P
Función de Distribución o Función de Acumulación.
Nos proporciona la probabilidad de que la variable aleatoria asuma un valor cualquiera

en el intervalo (– ; z).

 
 z
i 
z
zi
F (z ) = P ( z ≤z i ) = ∫f ( z ) dz z ~ N (0 ,1 )
-∞
Si queremos encontrar la distribución de probabilidad de un intervalo dado [a – b], se

encuentran los valores de z para a y b y luego se obtiene la probabilidad tomando la diferencia
entre las probabilidades acumuladas de los valores de z.
a b
Pa  x  b   P z 
   
Tablas Usuales
La tabla con la que trabajaremos, (TABLA VI) corresponde a una variable z, es decir
con media 0 y desviación 1 [z  N (0,1)], por ello toda variable x  N (,), deberá ser
previamente transformada a una z  N (0,1) a los fines de poder utilizar esta tabla.
Además, acumula desde – hasta un valor positivo de la variable, o sea las

probabilidades en el cuerpo de la tabla corresponden a:
z2
z 1 -
F (z ) = ∫ e 2 dz = Pr ( z < z i )
-∞ 2 π
Ejemplos:
1- Sea x una N~ (100,15), hallar las probabilidades siguientes:
a- P(x < 92, 5)

b- P(x > 76)
c- P(x < 107, 5)
d- P(x > 124)
e- P (77,5 < x < 100)
f- P (112 < x < 128,5)
Del anterior enunciado deducimos que  = 100 y  = 15, pues dijimos que el primer
valor corresponde a la media y el segundo a la desviación.

78
P
Como nos plantean la variable x, debemos primeramente transformarla a z, a los fines

de utilizar la tabla.
a- P (x < 92,5)

92
,5 

 X
Transformamos a z:
 x   92,5  100 
P    Pz  0,5
  15 

 -
0,
5 
 
Z
Como la tabla acumula desde – hasta un valor positivo de la variable, la anterior

probabilidad no puede encontrarse directamente, por lo cual teniendo en cuenta la propiedad
de simetría, resulta que:
Pr (z < –0,5) = Pr (z > 0,5)

 
 0
,
5 
Z
Y el segundo miembro se resuelve razonando así:
Si la probabilidad total (desde – hasta) vale 1 y encontramos en tabla:
Pr (z < 0,5), restándole esta última al 1, encontramos la probabilidad buscada, o sea:
Pr (z < –0,5) = Pr (z > 0,5) = 1 – Pr (Z < 0,5), o bien
0,5  0,5
 f z  dz   f z  dz  1   f z  dz ,
 0,5 
que es otra manera de expresar las anteriores
probabilidades.
Entonces:
Pr (z < –0,5) = Pr (z > 0,5) = 1 – 0,6915 = 0,3085

79
P
b- P (x > 76)

 7
6

 
X
 x   76  100 
Pr    Prz  1,6
  15 

 -
1,6
 
Z
Entonces:
Prz  1,6  Prz  1,6  0,9452
c- P (x < 107,50)

 

1
07
,5 
X
 x   107,5  100 
Pr    Prz  0,5  0,6915
  15 

 0
,
5 
Z
d- P(x > 124)

 x   124  100 
Pr    Prz  1,6  1  Prz  1,6  1  0,9452  0,0548
  15 

  1
,
6 
Z
e- P (77,5 < x < 100)
Pr 1,5  z  0  Prz  1,5  Prz  0  0,9332  0,50  0,4332

80
P

-1
,
5  
Z
f- P (112 < x < 128,5)
Pr (0,80 < z <1,9)= Pr (z <1,9) – Pr (z <0,80) = 0,9713 – 0,7881 = 0,1832

 0
,
81,
9 
Z
2- En el anterior ejercicio se nos pedía el cálculo de probabilidades, pero

puede ocurrir que tengamos como dato la probabilidad y necesitemos encontrar el valor de Z.
Así:
a- Pr (z > k) = 0,7454
0
,
745
4

 k  
Z

  k
1

Zç
Pr (z > k) = Pr (z < k1) = 0,7454  k1 = 0,66 y k = –0,66
b- Pr (z > k) = 0,1190
0
,
119
0

  k 
Z
Pr (z < k) = 1– Pr(z > k)

0,8810 = 1 – 0,1190
k = 1,18
c- Pr (z < k) = 0,1251
0
,
125
1

 k  
Z

81
P
0
,
125
1

  k
1

Z
Pr (z < k) = Pr (z > k1) = 0,1251

1 – Pr (z > k1) = Pr (z < k1)
1 – 0,1251 = 0,8749  k1 = 1,15
k = –1,15
1.3.3. APLICACIONES
Regla Empírica Para La Interpretación De La Varianza
Cuando n es grande y la distribución de las n observaciones es aproximadamente en

forma de campana, aproximadamente Normal, puede usarse la regla empírica. En este caso las
probabilidades están distribuidas alrededor de la media según los porcentajes del gráfico.
y  3 y y  2 y y  y y y y y  2 y y  3 y
68,26%
95,45%
99,73%
Es decir, que si la distribución de frecuencias de un problema analizado tiene el

comportamiento similar al de la distribución normal, podemos sacar iguales conclusiones en
cuanto a los porcentajes de frecuencias, u observaciones, que se encuentran comprendidos en
determinados intervalos de la variable.

82
P
Ejemplo:
Supongamos tener un grupo de 110 operarios clasificados por sus jornales horas, con la
siguiente distribución:
y i' 1  y i' yi ni
52,5-57,5 55 5
57,5-62,5 60 12
62,5-67,5 65 21 68% 93% 100%

67,5-72,5 70 25 1
72,5-77,5 75 29
3
2
77,5-82,5 80 11
82,5-87,5 85 4
87,5-92,5 90 3
110
Calculamos:
Media Aritmética M (y) = 69,5
Varianza V (y) = 68,75
Desviación Estándar DS (y) = 8,3
Con estos valores determinamos los intervalos notables:
61,2
1°) 69,5 ± 8,3 [61,2; 77,8]
77,8
52,9
2°) 69,5 ± 2(8,3) [52,9; 86,1]
86,1
44,6
3°) 69,5 ± 3(8,3) [44,6; 94,4]
94,4

83
P
Si nos fijamos en la distribución de frecuencias de la tabla, dentro del primer

intervalo [61,2; 77,8], determinado y tomado como suficientemente aproximado el intervalo
[62,5; 77,5] de la tabla, tenemos comprendido el 68% de las frecuencias (Total: 110.
Frecuencias en el intervalo considerado: 21+25+29 =75, entonces 75/110=68%).
De acuerdo a la distribución teórica, se deberían haber encontrado 68 frecuencias, ,

pero si consideramos en nuestro ejemplo:
1- Que estamos ante una distribución que no es perfectamente simétrica.
2- Que el intervalo considerado [62,5; 77,5] es menor que el calculado [61,2; 77,8], podemos
afirmar, sin temor a equivocarnos, que nuestro ejemplo confirma lo que habíamos visto
gráficamente.
Para el segundo intervalo [52,9; 86,1] tomamos [52,5; 87,5], que resulta de mayor
recorrido que el anterior. Por eso, consideramos tres de las cinco frecuencias en el primer
intervalo y sólo dos de las cuatro del penúltimo, con el cual obtenemos un 93% (103/110), cifra
que es inferior al 95,45% teórico.
En el tercer intervalo [44,6; 94,4] se presentan valores que se encuentran por debajo y
por arriba de los valores de la tabla [52,5; 92,5], por lo que afirmamos que en dicho recorrido
se encuentra el 100% de la frecuencia, que es casi coincidente con el 99,73%.
Puntaje Típico
Si una distribución de sueldos y (1)i tiene como media y (1)  1.000 y como
1.500  1.000
DS ( y ) (1)  500 , una observación cualquiera y (1)i = 1.500 dará z1   1.
500
Si otra distribución de pesos, de aves, por ejemplo, tiene y ( 2 )  2,100 kgs. y como
DS ( y ) ( 2)  0,800 kgs. , una observación cualquiera y ( 2 )i = 2,900 kgs. dará
2,900  2,100
z2   1.
0,800
En ambos casos, el valor desvío estandarizado es igual a 1, por lo tanto, dos

observaciones tendrán la misma probabilidad de presentación dentro de sus distribuciones
respectivas.
Ejemplo
Notas de dos estudiantes en el curso A y en el curso B.
Curso A Curso B
y (1)  5,4 y ( 2 )  4,2
DS ( y ) (1)  0,63 DS ( y ) ( 2 )  0,34
y (1)i = 6,5 y ( 2 )i = 5,7

84
P
Comparadas las notas aisladamente, arribamos a la conclusión de que el alumno A, es

mejor que el alumno B. (6,5 > 5,7)
Pero veamos qué ocurre utilizando el Puntaje Típico:
6,5  5,4 5,7  4,2

z1   1,75 z2   4,41 .
0,63 0,34
95,99% 99,995%
4,01% 0,0005%
z(1)i z ( 2 )i
0 1,75 0 4,41
5,4 6,5 y (1)i 4,2 5,7 y ( 2 )i
La DS (A) = 0,63 es más grande que la DS (B) = 0,34, lo que implica que las notas del
curso A están más dispersas que las notas del curso B.
Tenemos dos valores centrales en ambas distribuciones: uno es el valor de la

distribución obtenido en base a las observaciones de las notas del curso, y el otro es el resultado
de haber estandarizado la variable desvío.
En el eje horizontal tenemos los valores de zi, que siguen siendo valores de la variable,
pero ahora transformada de escala, puesto que hemos tomado las desviaciones respecto a la
media, dividida a su vez, por la desviación estándar.
La zona del primer gráfico, correspondiente a todos los alumnos que han tenido una
nota de 6,5 o inferior, y que representan (desde -∞ hasta 1,75) el 95,99% de los casos.
La diferencia, 4,01% representa el porcentaje de los alumnos que han sacado notas
superiores al alumno que estamos considerando.
Quiere decir, que el alumno del curso A, tiene por encima un 4,01% de alumnos con
nota superior a la de él.
En cambio, en el curso B, las frecuencias a la izquierda del puntaje típico (4,41) es del
99,9995% del total. Quiere decir, que el número de alumnos que podrían tener notas
superiores a la que estamos considerando, del grupo B, es insignificante, lo que permite afirmar
que el alumno al cual nos referimos es el mejor del curso B, porque por arriba de él hay un 5
por diez mil, porcentaje que no tiene significación, puesto que si el curso ha sido de por
ejemplo, 100 alumnos, no habría ninguno con nota superior.
La conclusión es inversa a la primera, puesto que el alumno B ha tenido un mayor

rendimiento relativo que el alumno A.

85
P
1.4. RELACIÓN ENTRE MODELOS DISCRETOS y EL MODELO NORMAL
Al exponer la Distribución Normal (Modelo Continuo), se dijo que es una excelente

aproximación de otras varias distribuciones muestrales, tales como la Distribución Binomial,
Poisson, e Hipergeométrico, cuando se incrementa el tamaño de la muestra. Tal aproximación
se basa en el Teorema Central del Límite que demuestra esta proximidad. A su vez en el
desarrollo de cada una de estas distribuciones discretas hemos mencionado algo al respecto.
Analizaremos en este punto con mayor profundidad las relaciones entre las Distribuciones
Discretas vistas y la Distribución Normal.
1.4.1. Aproximación del Modelo Binomial para la variable x, al Modelo Normal
Dijimos en el presente capítulo que la forma de la Distribución Binomial, depende de

los valores de P y n.
Así:
1- Si P = Q = 0,50, la distribución será simétrica, independientemente del valor de n.
2- Si P  Q, la distribución será asimétrica, entonces para una n dada:
2.1. Si P < Q será asimétrica positiva o derecha
2.2. Si P > Q será asimétrica negativa o izquierda.
Sin embargo, al incrementar el tamaño de la muestra (n), la distribución se hace menos

asimétrica, aproximándose a la simetría independientemente de la diferencia entre P y Q
cuando el tamaño muestral tiende a infinito (n).
Así, a medida que el valor de n aumenta, la Distribución Binomial se convierte en una

curva continua y simétrica sean o no iguales P y Q. Tal distribución continua, simétrica y
acampanada es la Distribución Normal, que es el límite de la Binomial, cuando n tiende a
infinito.
Entonces, si x   (n, P), con E(x) = n.P

V(x) = n.P.Q  x = nPQ
x  E x 
Como aproximación a la Normal cuando n  , habrá que definir z  ,
x
reemplazando a E(x) y x por su igual según la distribución Binomial, luego
x  nP
z ~ N 0,1 .
nPQ
Debe tenerse en cuenta que en la transformación de una variable Binomial, que es

discreta, en normal tipificada, que es continua, es necesario hacer una corrección dc
continuidad.

86
P
En general, si x es una variable Binomial cuyas probabilidades se desean conocer, se

pueden aproximar las probabilidades aplicando la siguiente corrección de continuidad:
P (a  x  b)  P (a – 0,5  x’  b + 0,5)
Donde x’ es la variable normal transformada.
Teniendo en cuenta esta corrección, procederemos ahora a demostrar, a través de un

ejemplo, que la aproximación normal de la binomial se hace mejor a medida que el tamaño de
la muestra se hace mayor.
Supongamos que x ~ (10; 0,5) y que se desea hallar la P (2  x  4) ó bien  Px 

4
x2
Resolveremos:
1) Aplicando la Distribución Binomial.
Siendo n =10 y P = 0,5; entonces:
Pr (2  x  4 n = 10 P = 0,5) = =Pr (x  4 n = l0 P = 0,5) – Pr (x  1 n = 10 P = 0,5) = =0,3663
2) Aplicando la distribución normal
Es necesario primero, la corrección de continuidad:
P (2  x  4)  P (2 – 0,5  x’  4 + 0,5)
Entonces buscamos P (1,5  x’  4,5), para lo cual debemos transformar a x’ en z.
Siendo n = 10 y P = 0,5  n.P = 10  0,5 = 5

n .P.Q = 10  0,5  0,5 = 2,5
x'5
Luego z
2,5
 1,5  5 4,5  5 
Y buscamos Pr z   Pr 2,215  z  0,315 =

 2,5 2,5 
 Prz  0,315  Prz  2,215
 1  Prz  0,315  1  Prz  2,215
 1  0,6236   1  0,9866  0,3630
Si comparamos con el resultado exacto (0,3662) la diferencia es de 0,0032.

87
P
Supongamos ahora, que en el ejemplo anterior, P permanece constante pero se

incrementa a 30 el tamaño muestral (n = 30).
Aplicamos la distribución binomial. La variable binomial es X (30; 0,5) y se pide:
Pr2  x  4, n  30, P  0,50 
2
= C30 0,5 0,5  C303 0,5 0,5  C304 0,5 0,5  0
2 28 3 27 4 26
Aplicamos la distribución normal.
Pr2  x  4  Pr1,5  x'  4,5
Además: nP = 30  0,5 = 15 y nPQ = 30  0,5  0,5 = 7,5
Entonces:
 1,5  15 4,5  15 
Pr  z   Pr  4,93  z  3,83 = Pr (3,83  Z  4,93) =

 7 ,5 7 ,5 
= Pr (z  4,93) – Pr (z  3,83) =1 – 1 = 0
Si comparamos con el resultado exacto, no existe diferencia. El valor de n para una

aproximación normal satisfactoria dependerá dcl valor de P, así:
Si, P > 0,5, entonces n (1 – P)>5 ó si P  0,5 entonces nP >5, según lo cual para P = 0,5,
n debe ser mayor que 10 y para P = 0,9 ó 0,1, n ha de ser mayor que 50. En general, cuanto
más acentuada es la simetría, mayor ha de ser el tamaño de la muestra.
Para simplificar trabajamos con la Normal como aproximación de la Binomial cuando n

sea superior a 30 y omitiremos la corrección por continuidad.
Ejemplo:
En cierto proceso de producción el 10% de las unidades producidas son defectuosas.

Sea x el número de unidades defectuosas halladas en una muestra de 100 unidades tomadas al
azar. Hallar los valores aproximados de:
a) P (x  13) c) P (7  x  16)
b) P (x  8) d) P (5  x  10)
Resolución:
x ~  n, P  Siendo n = 100 y P = 0,10
Debemos transformarla en Normal.

88
P
nP  100  0,10  10

x ~ E   nP;   nPQ  Siendo
nPQ  100  0,10  0,90  3
Entonces:
 13  10 
a) Pr z    Prz  1  1  Prz  1  1  0,8413  0,1587
 3 
8 - 10
Pr ( z ≥ ) = Pr (z > -0 ,67 ) = Pr (z < 0 ,67 ) = 0 ,7486
b) 3
 7  10 16  10 
Pr z   Pr 1  z  2  Prz  2  1  Prz  1 
c)  3 3 
 0,9772  1  0,8413  0,8185
d)
 5  10 10  10 
Pr z   Pr 1,67  z  0 
 3 3 
 Prz  0  1  Prz  1,67  
 0,5  1  0,9525  0,4525
1.4.3. Aproximación del Modelo Hipergeométrico para la variable x al Modelo

Normal
Si x ~ H N , n, X 
E x   n
X N n X  X 
y x  n 1  
N N 1 N  N 
X
xn
Z N ~ N 0,1
N n X  X 
n 1  
N 1 N  N 

89
P
1.4.4. Aproximación del Modelo Binomial e Hipergeométrico para la Proporción

Muestral, al Modelo Normal

La distribución de muestreo de p Pˆ es aproximadamente normal si el tamaño de la
muestra es lo suficientemente grande; si esta muestra ha sido tomada con reposición.
Para una muestra al azar, tomada sin reposición, de una población finita, el tamaño de
la población debe ser considerablemente mayor que el tamaño de la muestra para que esto sea
aplicable, sin embargo, este será, por lo general, el caso en la práctica. (En este caso la
distribución de P̂ se aproxima al modelo Binomial, el cual a su vez, se aproxima al modelo
normal como limite).
Al trabajar con variables discretas y aplicarles la distribución Normal, que se refiere a

variables continuas, debemos, para obtener aproximaciones normales, satisfactorias, introducir
un factor de corrección de continuidad dc 1/2 n (Se emplea 1/2 n en lugar de ½ porque una
proporción de éxitos es el número de éxitos dividido por n).
Con el factor de corrección de continuidad, la función de distribución de P̂ con n

grande es:
 ˆ 1 
 P0  P

P Pˆ  Pˆ0  N 

 2n
 Pˆ0


 
 
Una regla práctica usada con mucha frecuencia para indicar situaciones en las cuales la
distribución de muestreo de P̂0 puede ser aproximada mediante la distribución normal,
establece que la aproximación normal es apropiada si tanto n (1 – P) y nP son mayores que 5.
Luego, si la Proporción Muestral proviene de una Binomial, y el tamaño de muestra es

igual o mayor a 100, o bien igual o mayor a 30 si P=Q, tenderá a la Normal, y aplicando la
corrección por continuidad, nos queda:
Si
x ˆ
n
~ P con 
E Pˆ  P y  Pˆ 
PQ
n
Pˆ  P
Entonces z  ~ N 0,1
PQ
n
Mientras, que si la Proporción Muestral proviene de una Hipergeométrica, y el tamaño

de muestra es igual o mayor a 100, tenderá a la Normal, y aplicando la corrección por
continuidad, nos queda:

E Pˆ  P

90
P
PQ N n
 Pˆ 
n N 1
Pˆ  P
z ~ N 0,1
PQ N  n
n N 1
1.4.5. Aproximación del Modelo Poisson para la variable x al Modelo Normal
La Distribución Normal también es el límite de la Distribución de Poisson.
Dado el valor de P, entonces nP aumenta al aumentar n. A medida que  , o nP

aumenta, la distribución de Poisson se acercará cada vez mas a la curva continua acampanada.
La utilizaremos cuando λ > 20, o bien λ ≥ 21.
Entonces sí x ~ P  E x   nP
V x   nP   x  nP
x  nP
Luego z  ~ N 0,1
nP
1.5. DISTRIBUCIONES DE LAS PEQUEÑAS MUESTRAS
En general, la teoría del muestreo se refiere a una clase de situaciones en las que la
distribución de probabilidades de una estadística de muestra, es normal o aproximadamente
normal, o porque el tamaño de la muestra es suficientemente grande para que el Teorema
Central del Límite sea aplicable (n ≥ 30 en la estimación de la media poblacional; n≥ 100 en la
estimación de la varianza poblacional y n≥ 30, con P = 0,50 en la proporción poblacional).
Pero, a veces, los supuestos de la teoría del muestreo grande no se cumplen, debido a la
presencia de situaciones en la que la desviación estándar de la población no es conocida, pues
nos enfrentamos a un nuevo problema o a una nueva teoría; o bien el tamaño de la muestra es
pequeño debido a limitaciones físicas como las relacionadas con la investigación médica o con
los costos de realizar las observaciones.
Si bien con muestras pequeñas no contamos con la cantidad de información deseada,

no carecemos completamente de recursos, y debemos a partir de ellos, extraer conclusiones o
tomar decisiones. Los procedimientos de inferencia estadística con muestras pequeñas son
iguales que los presentados, con la salvedad de que no será posible la aplicación del Teorema
Central del Límite ni la suposición de que las distribuciones por muestreo son normales.

91
P
El estudio de inferencias estadísticas con pequeñas muestras se llama teoría del

muestreo pequeño o teoría del muestreo exacto.
Entonces, la principal diferencia entre teorías de muestreo grande y pequeño es entre
distribuciones por muestreo: para muestras grandes, las distribuciones por muestreo son
normales; para muestras pequeñas, la distribuciones por muestreo difieren de un caso a otro.
Además, de las distribuciones Binomial y de Poisson, hay tres distribuciones de

probabilidades que a menudo son asumidas por una estadística con n pequeña:
χ2 Chi-Cuadrado
t t de Student
F F de Snedecor
Los tres modelos se relacionan con el modelo de probabilidad normal y se definen por
el número de grados de libertad, concepto que presentaremos seguidamente.
Grados de Libertad
Es el nombre dado al número de observaciones linealmente independientes que

ocurren en una suma de cuadrados.
Abordaremos la definición de la siguiente manera:
5 x
1
x1  x2 
2
Es decir: x1  x2  10
De tal manera, que podría ser:
x1  x2  8  2  10 x1  x2  4  6  10 y así sucesivamente.
Lo que se observa, es que una vez fijado el valor de uno de los números, el segundo
queda automáticamente determinado, ya que el promedio debe ser 5.
En forma semejante, tendríamos que para n números, x1 , x2 ,....xn y dada la condición de que el
promedio sea igual a un cierto valor x  k , donde k es una constante, solamente contaremos
con la posibilidad de elegir libremente n-1 valores, quedando automáticamente establecido el
restante. Decimos entonces, que contamos con n-1 grados de libertad y lo representamos por
φ=δ=n-1.
Diremos que el número de elementos que pueden ser elegidos libremente o el número
de variables independientes, indican los grados de libertad existentes en la función.
Otros autores los definen de acuerdo al número de parámetros a estimar. Es por ello
que para el caso  xi   2 , trabajamos con n grados de libertad, ya que no hay ningún
parámetro a estimar.

92
P
1.5.1. Distribución Chi-Cuadrado (χ2)
Fundamentación
Si una variable aleatoria X es N (μ, σ), entonces la variable tipificada
x
z  N (0,1)

Si elevamos al cuadrado a Z, su distribución, ¿sigue siendo normal?
(x  )2
z2    (21)
2
La respuesta es negativa. Tiene distribución χ2 con 1 grado de libertad, ya que se obtuvo

un solo valor de X.
La variable χ2 tiene una familia de distribuciones, una para cada número de grados de
libertad.
Si se hacen independientemente dos observaciones, o sea n=2, se obtiene:

( x1   ) 2 ( x2   ) 2
z1 
2
z 2

2 y 2
2
2
( xi   ) 2
Entonces: z12  z 22  i 1  2
  (22 )
Luego, para el caso general, de n observaciones, las sumas de los cuadrados de las z n,
debe tener n grados de libertad.
n n
( xi   ) 2

i 1
z i2  
i 1  2
  (2n )
Entonces diremos que: La suma de los cuadrados de n variables aleatorias muestrales

independientes con distribución muestral estandarizada tiene distribución  2 con φ=δ=n grados
de libertad.
Hay un número infinito de distribuciones Chi Cuadrado, una correspondiente a cada

entero positivo φ. Una distribución Chi Cuadrado correspondiente al número φ se designará
por  (2 ) y se define por la siguiente función de densidad:
 2 
  
 2   2  1    2 
e
f ( ) 
2   , 0 2  
 2 2    

    
    2 
La función de distribución viene dada por

93
P
x
F ( x ) = P ( X ≤ x ) = ∫f ( x ) dx
0
Si se define ahora lo mismo, pero con x en vez de μ, tendremos una χ2 con φ = n-1
grados de libertad:
n
( xi  x) 2 ˆ 2 (n  1) 2
 2

i 1
2

 ( n 1)

Recordemos que:
n
( xi  x ) 2 n

i 1 n 1
 ˆ 2 , luego  (x
i 1
i  x) 2  ˆ 2 (n  1)
Una variable χ2 tiene su campo de variación, de 0 (suma de cuadrados) a infinito y su

distribución se define completamente por el número de grados de libertad. Si x es  (2 ) , su
media y su varianza, respectivamente son:
E (  ( ) ) = μ = φ V (  ( ) ) = σ 2= 2φ
2 2
Son positivamente asimétricas, pero a medida que aumenta φ, se aproxima a la

distribución normal con media φ y desviación 2 . En la práctica cuando φ es mayor a 30, se
aproxima a la distribución normal.
Gráfica de la función de densidad de la variable χ2 con 5 y 15 grados de libertad:
Gráfica de la función de densidad de la variable χ2 con 5 y 15 grados de libertad:
0,1
f(x)
0,08 n=5
0,06
0,04
n = 15
0,02
0 
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32

34
Aplicaciones
Es de utilidad en situaciones en las que se requieren inferencias respecto a la dispersión

de una distribución, siendo el caso de una técnica para inferir respecto de la Varianza de una
distribución en la Estimación y en la Dócima.

94
P
Tablas Usuales
Grados de
0,995 0,99 0,975 … 0,05 0,025 0,01 0,005
Libertad
1 7,9 6,6 5,0 … 0,0 0,0 0,0 0,0
2 10,6 9,2 7,4 … 0,1 0,1 0,0 0,0
3 12,8 11,3 9,3 … 0,4 0,2 0,1 0,1
…. …. …. …. … …. …. …. ….
30 53,7 50,9 47,0 … 18,5 16,8 15,0 13,8
En el cuerpo de la tabla se muestran los diferentes valores de la variable para cada combinación
de probabilidad y grados de libertad.
Esta tabla acumula desde 0 hasta un valor de la variable.
A los fines de comprender su manejo, plantearemos los siguientes casos:
1- Pr( 302  18,5)  0,05
A esta probabilidad la encontramos directamente en tabla, pues, como ya dijimos, la

misma acumula desde 0 hasta un valor de la variable, en este caso hasta 18,5.
Entonces, ubicamos en primer término los grados de libertad, en este caso 30 y a esta
altura buscamos en el cuerpo de la tabla el valor 18,5, la probabilidad que encabeza la
columna, es la solicitada.
2- Pr( 30
2
 34,8)  1  Pr( 30
2
 34,8)  1  0,75  0,25
3- 15
2
y la probabilid ad a la derecha de  2 es 0,05.
Nuestros datos pueden expresarse simbólicamente como: Pr(152   2 )  0,05
Para ingresar en tabla necesitamos la probabilidad desde 0 hasta el valor desconocido,

que encontramos de la siguiente manera:
Pr(152   2 )  1  Pr(152   2 )  1  0,05  0,95
Con esta información entramos en tabla para encontrar el valor de la variable que
surgirá de la intersección entre 15 grados de libertad y la probabilidad de 0,95. Luego  2 = 25.
4- 152 y la probabilid ad a la izquierda de  2 es 0,05.
Nuestros datos pueden expresarse simbólicamente como: Pr(152   2 )  0,05
Aquí entramos directamente en tabla, buscando el valor de la variable en la intersección

entre 15 grados de libertad y 0,05 de probabilidad, encontrando χ 2 =7,3

95
P
2
5- Pr( χ ≥29 ,3 ) = 0 ,25
Nuestra incógnita es ahora los grados de libertad, para lo cual necesitaremos:
Pr(2  29,3)  1  Pr(2  29,3)  1  0,25  0,75
Estos valores corresponden a 25 grados de libertad.
1.5.2. Distribución “t” de Student
Consideremos una muestra x1 , x2 ,....xn proveniente de una población con distribución

normal cuya media es μ y cuya varianza es σ 2 . La variable t es una razón de la variable normal
estándar a la raíz cuadrada de un variable Chi Cuadrado dividido por su número de grados de
z
t 
libertad. Es decir que  2 , donde numerador y denominador son independientes. Hay

una distribución t correspondiente a cada entero positivo. La función de densidad para tφ es

como sigue:
    1 
  1
 1    2   t 2
 2
f (t )    1   ,  t 
        
  
  2  
Y la Función De Distribución:
t
P ( T ≤ t ) = ∫ f ( t ) dt
-∞
Definamos ahora la distribución t del siguiente modo:
x
1) z  
 N (0,1)
n
( xi  x) 2
U    (2n1) donde   n  1
2) i 1  2

96
P
Entonces, una variable t se define como el cociente entre Z ~ N (0,1) y la raíz cuadrada
de
U ~ χ2 n-1
Z
t  t n 1
U
Simbólicamente:
n 1
Reemplazando a Z y U por sus iguales y resolviendo, tenemos:
x x x

t     
(
xi  x
)2
1 x x
 ( i ) 2 1  (x i  x) 2
 n 1  n 1
n 1
Recordemos que:
n
( xi  x) 2
i 1 n 1
 ˆ 2
Reemplazando en el denominador, nos queda que:
x
 x
t    t n 1
1
ˆ 2 ˆ

Aplicación a la media muestral
Sean x1 , x2 ,....xn una muestra proveniente de una población con distribución normal
cuya media es μ y cuya varianza es σ 2.
Formulemos el estadístico “z” de la siguiente manera:
x μ x μ
z = =
σ
≈ N ( 0 ,1 ),
σx
n
σ
Donde reemplazam os a σ x , por su igual , según demostrare mos
n
en la siguiente unidad .
y tomemos:

97
P
n
( xi  x ) 2
U  
i 1  2
  (2n 1)
Entonces:
x
 (x  ) n
n  (x  ) n (x  ) n
t    
1 x x 2  (x  x) 2 ˆ 2 ˆ
n 1
 ( i

)
1
 n 1
i
Dividiendo numerador y denominador por n, nos queda
(x  )
t   t n 1
ˆ
n
Observemos que la estructura es la misma que la de la variable z, la diferencia radica en

el denominador que en z utiliza la desviación poblacional y en t la desviación muestral
corregida.
Es decir, que cuando la muestra es pequeña, el estimador de la varianza, ˆ 2  sˆ 2 , tiene

mayor dispersión alrededor del parámetro  2 , que cuando la muestra es grande, y la
variaciones que puede sufrir el estadístico ( x   ) por la variabilidad del denominador, impiden
ˆ
n
utilizar la distribución normal.
Entonces,
x
z  N (0,1)

, pues supone conocida σ
n
(x  )
t  t n 1
ˆ
, pues se desconoce σ
n
Cuando el tamaño de la muestra, n, tiende a infinito, es estimador ˆ tiende a  , por

lo tanto cuando el tamaño de la muestra llega a ser grande, el estadístico t se aproxima a z.
Propiedades
 - ∞ < t < ∞, es decir que la variable asume valores entre - ∞ hasta ∞.

 Es Unimodal y simétrica respecto a 0.

98
P
 Es más aplanada que la distribución normal, pues su varianza es ligeramente superior a 1.


 E (t )  0 y V (t )  válida para   2
 2
Aplicaciones
Inferencias sobre la media poblacional, cuando se desconoce la varianza poblacional y

el tamaño de muestra es pequeño, tanto en la estimación estadística como en la Docimasia de
Hipótesis.
Tablas Usuales
Grados de
0,75 …. 0,9995
Libertad
1 1,000 …. 636,619
…. …. …. ….
30 0,683 …. 3,646
40
60
∞
Acumula desde -∞ hasta un valor positivo de la variable y los problemas se resuelven de

manera idéntica a los vistos en la Distribución Normal, sólo que para entrar en tabla trabajamos
con los grados de libertad.
Ejemplos
1-
Pr(t15  2,602)  1  Pr(t15  2,602)  1  0,99  0,01
2-
Pr ( t 18 ≥2 ,101 ) = Pr( t 18 ≤ 2 ,101 ) + Pr( t 18 ≥2 ,101 ) = 1 - Pr( t 18 ≤2 ,101 ) + 1 - Pr( t 18 ≤2 ,101 ) =
= 2 [ 1 - Pr ( t 18 ≤2 ,101 ) ] = 2 ( 1 - 0 ,975 ) = 2 ( 0 ,025 ) = 0 ,05
3-
 
Pr(0,706  t 8  1,86)  Pr(t 8  1,86)  Pr(t8  0,706)  Pr(t8  1,86)  1  Pr(t8  0,706) 
 0,95  (1  0,75)  0,70
4-
Pr( t9  t )  0,05  Pr(t9  t )  Pr(t9  t ) Y
Pr(t 9  t )  0,975  t  t 9 / 0,975   2,262

99
Probabilidades y Estadística
Modelos Especiales de Probabilidad para Variables Aleatorias Continuas
Variable Distribución Función De Densidad Función De Acumulación E( ) V( ) Ds( )
1 xa
Uniforme a ≤x ≤b a xb
(X) Continua
b -a ba a+b b  a 2 b  a 2
f( x ) = F( x )  0 xa
2 12 12
0 ∀otro x 1 xb
(T) Exponencial t (x) = λ

e  x para x ≥0 T(x)= P (x ≤ xi) = 1  e
 x
1 1 1
 
2
2

 x   2 x ∞ ∞ ∞
Normal 1 2 F( x ) = ∫f ( x )dx ∫x f ( x ) dx ∫[x - E ( x ) ]2 f ( x ) dx ∫[x - E ( x ) ]2 f ( x ) dx
x ~ N( ,) f( x)  .e 2
  x  
-∞ -∞
 2 -∞ -∞
z
f z  
1
e Z
2
2
F( z ) = ∫f ( z )dz
z ~ N(0,1) Normal 2 0 1 1
-∞
2 
  
 2   2  1    2 
e
f ( ) 
2   , x
 2
( ) Chi Cuadrado
 2 2     


 
   
   2 
F ( x ) = P ( X ≤ x ) = ∫f ( x ) dx
0
φ 2φ 2
0  2  
    1 
    1
 1    2   t2  2
f (t )     1 
 
 ,
 
        t

   

t( φ ) t de Student  2  P ( T ≤ t ) = ∫ f ( t ) dt 0  2 
-∞  2
t 
válida para   2

100

Capitulo 7

Cargado por

Copyright:

Formatos disponibles

Capitulo 7

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Capitulo 7

Cargado por

Copyright:

Formatos disponibles

P

CAPITULO Nº 7: Modelos Especiales de Probabilidad

Conozca alguno de los diferentes modelos de probabilidad de variables aleatorias continuas.

Distinga las características de cada modelo, a lo fines de aplicarlos a situaciones reales.

Reconozca las funciones de densidad y de acumulación para el cálculo de probabilidades.

Conozca y comprenda la importancia de la Ley de los Grandes Números y el Teorema Central

Conozca y maneje tablas de la Distribución t de Student, útil para la estimación y dócima de la

Prof. Cdra. Gladys M. Rouadi

1. Modelos especiales de probabilidad

Prof. Cdra. Gladys M. Rouadi

MODELOS ESPECIALES DE PROBABILIDAD

También en esta Unidad es aplicable lo mencionado en Modelos Especiales de

Sólo que ahora nos referiremos a Modelos correspondientes a Variables Aleatorias

El error respecto de una medida especificada, en un objeto producido por un proceso

1.1. MODELO UNIFORME CONTINUO

Entonces, se trata de deducir la función de densidad uniforme en el intervalo (a, b), a

Siguiendo el procedimiento general para determinar si es función de densidad:

Prof. Cdra. Gladys M. Rouadi

1) Integramos entre los límites del intervalo

2) Para que el resultado de la integral dé como resultado 1, dividimos ambos miembros

De manera que si queremos encontrar la probabilidad de que la variable aleatoria

Entonces, la probabilidad de cualquier hecho que es un subintervalo de (a, b), es

Función de Distribución o Función de Acumulación

Y su expresión correcta es:

Prof. Cdra. Gladys M. Rouadi

Función De Densidad De Una Distribución Uniforme

Entonces, reemplazando y resolviendo

Prof. Cdra. Gladys M. Rouadi

4b 3  a 3   3b  a b  a  4b 3  4a 3  3b  a b  a b  a 

1) Si queremos definir una función de densidad uniforme, en el intervalo (2,6),

Prof. Cdra. Gladys M. Rouadi

De manera que la constante 1 es la Función de Densidad de la variable aleatoria X, para

Y la Función de Distribución será:

Prof. Cdra. Gladys M. Rouadi

El Modelo De Probabilidad Exponencial tiene su origen en el Modelo De Poisson,

Precisamente, una variable exponencial x es el intervalo de tiempo, o espacio, requerido

Este modelo es de gran importancia en la teoría de probabilidades aplicada, porque

De los ejemplos anteriores, vemos que el modelo de probabilidad exponencial surge

Designaremos por x la variable tiempo entre hechos y procederemos a determinar la

Prof. Cdra. Gladys M. Rouadi

Puede demostrarse que la Función De Densidad de una variable exponencial es:

De la relación entre λ y β, vemos que las Funciones De Densidad y Acumulación de

En las expresiones anteriores, x es el intervalo de tiempo entre ocurrencias de la

Prof. Cdra. Gladys M. Rouadi

La distribución de vida durante la cual cierta marca de computadora funciona

P (180≤ x ≤ 720) = T (720) – T (180) = (1 – 0,13534) – 0,39347 = 0,47119

La probabilidad exponencial de que ocurra el primer evento dentro del intervalo

De manera similar, la probabilidad exponencial de que le primer evento no ocurra

En un departamento de reparación de maquinaria se reciben 5 solicitudes por hora en

Promedio por hora = 5

Prof. Cdra. Gladys M. Rouadi

1.3. MODELO NORMAL

Su importancia se debe principalmente a tres consideraciones generales:

Normalmente, esto no significa que una distribución de frecuencia relativa, realmente

2) La distribución muestral de muchos estadígrafos muestrales, tales como la media,

3) Es una excelente aproximación de otras varias distribuciones muestrales. Así, la

Este modelo puede expresarse en la Forma General y en Forma Estandarizada.

1.3.1. MODELO NORMAL GENERAL

Dada una variable aleatoria x, diremos que tiene distribución aproximadamente