Upload
others
View
29
Download
4
Embed Size (px)
Citation preview
TEMA 2. MODELOS DE PROBABILIDAD
2.1.- DISTRIBUCIÓN BINOMIAL2.2.- DISTRIBUCIÓN DE POISSON2.3.- DISTRIBUCIÓN UNIFORME2.4.- DISTRIBUCIÓN EXPONENCIAL2.5.- DISTRIBUCIÓN NORMAL2.6.- DISTRIBUCIÓN JI-DOS, t DE
STUDENT Y F DE FISHER-SNEDECOR.
J. DE HARO 2
DISTRIBUCIÓN BINOMIAL
1.- DISTRIBUCIÓN BINOMIAL
Supongamos que realizamos una solaprueba o experimento aleatorio con dosresultados posibles (dicotómicos) quellamaremos éxito y fracaso. Estos dosllamaremos éxito y fracaso. Estos dosresultados o sucesos son exhaustivos ymutuamente excluyentes, tal quepertenecen a un determinado espaciomuestral asociado a dicho experimento.
3J. DE HARO
DISTRIBUCIÓN BINOMIAL
Dado un suceso A, A E si la ocurrenciade A es considerada como éxito tendráasociada la probabilidad p = P(A).
Si ocurre un fracaso tendremos la
⊂
Si ocurre un fracaso tendremos laocurrencia de , cuya probabilidadasignada será q= P( ).
Ambas probabilidades soncomplementarias,
p + q = 1, por lo que q = 1-p4J. DE HARO
A A
BERNOULLI
• Ejemplo• Si preguntamos a una sola persona siconduce o no, si contesta que sí, seráconsiderado como un éxito (suceso A), sicontesta que no, será considerado comocontesta que no, será considerado comoun fracaso (suceso ).
• A este experimento o prueba se la llamaprueba de Bernoulli
5J. DE HARO
A
DISTRIBUCIÓN BINOMIAL
• Si se repiten n pruebas de Bernoulliindependientes con probabilidad de éxito,p, constante de prueba a prueba,tendremos un experimento binomial.
• Ejemplo, en vez de preguntar a una solapersona preguntamos a n personas.
6J. DE HARO
DISTRIBUCIÓN BINOMIAL
• Supongamos que se realizan nrepeticiones o pruebas independientes delexperimento aleatorio y sea X la variablealeatoria definida como,
• X: número de éxitos obtenidos en nrepeticiones o pruebas independientes derepeticiones o pruebas independientes deun experimento aleatorio en la que laprobabilidad de éxito es p, 0<p<1.
• X es una variable aleatoria discreta, quetoma los valores x=0,1,2,…, n, cuyafunción de densidad o de cuantía oprobabilidad es,
7J. DE HARO
DISTRIBUCIÓN BINOMIAL
FUNCIÓN DE DENSIDAD
=−
===restoelen
nxparaxnqxpx
n
xXPxf
,0
,.....,2,1,0,)()(
Recordemos que =
La función de densidad también puede tomaresta notación, f(x; n, p)
8J. DE HARO
restoelen ,0
x
n
)!(!
!
xnx
n
−
DISTRIBUCIÓN BINOMIAL
• Como vemos esta función depende de dosparámetros, n y p (q=1-p), es biparamétrica.Cuando una variable sigue la Ley odistribución binomial se denota de lasiguiente forma:siguiente forma:
X ~ B (n, p)siendo n el número de pruebasindependientes realizadas, y p la probabilidadde éxito. Es obvio que a lo largo de las npruebas se habrán producido n-x fracasos,cada uno de ellos con probabilidad q=1-p.
9
J. DE HARO
DISTRIBUCIÓN BINOMIAL
Nota:
Cuando n = 1,X ~ B (1, p)
la distribución de X es la de Bernoulli.
En este caso los valores de x=0,1El suceso A: conducir0: fracaso ( no conduce, cero éxito)1: éxito (conduce)
10J. DE HARO
FUNCIÓN DE DENSIDAD BINOMIAL
� Se comprueba fácilmente que la funciónde densidad binomial lo es.
1) f(x) 0 para x= 0,1,2,…..,n.Representación gráfica es un D. Barras.Actúa en cuadrante positivo.
≥
Actúa en cuadrante positivo.2)
Basándonos en la fórmula del binomio deNewton:
11
J. DE HARO
∑=
=n
xxf
01)(
1)(0 0
)( =+=−
= =
=∑ ∑ nqpxnqxp
n
x
n
x x
nxf
DISTRIBUCIÓN BINOMIAL
La función de densidad binomial puedeadoptar diferentes formas dependiendo delos valores que tomen sus dos parámetros:
Cuando p=0.5=q es campaniforme simétrica unimodal esparn
12J. DE HARO
Cuando p=0.5=q es campaniforme simétrica
bimodal
unimodal
esimparn
esparn
Cuando p≠ q
⇒>⇒<
negativaasimétricamecampaniforp
positivaasimétricamecampaniforp
5.0
5.0
DISTRIBUCIÓN BINOMIAL
B (5 , 0'5)
0,25
0,3
0,35
Fun
ción
de
dens
idad
13J. DE HARO
0
0,05
0,1
0,15
0,2
Valores de la variable
Fun
ción
de
dens
idad
0 1 2 3 4 5
Simétrica
DISTRIBUCIÓN BINOMIAL
B (5 , 0'2)
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
Fun
ción
de
dens
idad
14J. DE HARO
B (5 , 0'8)
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
Valores de la variable
Fun
ción
de
dens
idad
0 1 2 3 4 5
Asimétrica Negativa
0
0,05
Valores de la variable0 1 2 3 4 5
Asimétrica Positiva
DISTRIBUCIÓN BINOMIAL
Hemos de tener en cuenta que conforme
∞→nla distribución binomial tiende a ser máscampaniforme, más simétrica.
15J. DE HARO
DISTRIBUCIÓN BINOMIAL
FUNCIÓN DE DISTRIBUCIÓN
inqip
x
i
nxXPxF −
=≤= ∑)()(
Su representación gráfica es un diagrama en escalera
16J. DE HARO
i i=
∑0
DISTRIBUCIÓN BINOMIAL
• FUNCIÓN GENERATRIZ DE MOMENTOS
MX (t) = (et p + q)n , tpara q = 1-p
Demostración:
ℜ∈
nn nn
A partir de la función generatriz de momentos,calculamos la media y varianza de ladistribución binomial.
17J. DE HARO
ntxnxtn
x
xnxn
x
txtXX qpeqpe
x
nqp
x
neeEtM )()()()(
00+=
=
== −
=
−
=∑∑
DISTRIBUCIÓN BINOMIAL
VALOR ESPERADO O ESPERANZA MATEMÁTICA
)0(')(
)(0
'1 Xt
XX M
dt
tdMXE ====
=µµ
M’X (t) = n ( et p + q )n-1 p et
M’X (0) = n ( p + q )n-1 p = n p
18J. DE HARO
DISTRIBUCIÓN BINOMIAL
VARIANZA
Var (X) = E( X2 ) - [E( X )]2
E(X2) = µ’2 = M’’X (0)
M’’X (t) = n (n-1) ( et p + q )n-2 p et p et + n ( et p + q )n-1 p etM’’X (t) = n (n-1) ( et p + q )n-2 p et p et + n ( et p + q )n-1 p et
M’’X (0) = n (n-1) ( p + q )n-2 p2 + n ( p + q )n-1 p
= n(n-1) p2 + n p = n2 p2 –n p2 + n p
Var (X) = E( X2 ) - [E( X )]2 = n2 p2 –n p2 + n p - n2 p2 =
= –n p2 + n p = n p (1-p) = n p q19
J. DE HARO
DISTRIBUCIÓN BINOMIAL
�Si X1 ~ B (n1, p), X2 ~ B (n2, p)
tal que X1 y X2 son independientes,tal que X1 y X2 son independientes,entonces
X1 + X2 ~ B ( n1 + n2 , p )
20J. DE HARO
DISTRIBUCIÓN BINOMIAL
� Ejemplo de control de calidad
Calcular la probabilidad de que en una muestrade 20 ruedas del mismo tipo ninguna seadefectuosa, si el 8% de las producidas sondefectuosa, si el 8% de las producidas sondefectuosas.
• Supuestos: la maquinaria no se estropea, lasmaterias primas son uniformes, el trabajo esconsistente.
21J. DE HARO
DISTRIBUCIÓN BINOMIAL
Solución:X: número de ruedas defectuosas.
X= 0, 1, 2, …, 20La dicotomía es defectuosa o no defectuosa
X~ B (n = 20, p = 0.08)
p: probabilidad de encontrar una rueda defectuosa.
(p y X han de ser homogéneos)22J. DE HARO
DISTRIBUCIÓN BINOMIAL
=−
===restoelen
nxparaxnqxpx
n
xXPxf
,0
,.....,2,1,0,)()(
20• P(X=0) = f(0)=
• Nota:
23J. DE HARO
1887.0)92.0()08.0(0
20 200 =
1)!020(!0
!20
0
20=
−=
DISTRIBUCIÓN DE POISSON
2.- DISTRIBUCIÓN DE POISSONLa distribución de Poisson es una distribucióndiscreta de probabilidad, en la que la variablealeatoria representa el número deacontecimientos independientes que ocurren aacontecimientos independientes que ocurren auna velocidad constante sobre el tiempo o elespacio.La variable aleatoria discreta X tiene unadistribución de Poisson de parámetro µ >0, y larepresentamos por X ~ P ( µ ), cuando sufunción de cuantía o de densidad es
24J. DE HARO
DISTRIBUCIÓN DE POISSON
FUNCIÓN DE DENSIDAD
=>===
−
restoelen
xx
exXPxf
x
,0
.....,.........2,1,0,0,!)()(
µµµ
También la podemos encontrar así, f(x; µ). Esuniparamétrica, y su parámetro µ representa elnúmero medio de ocurrencias del sucesoaleatorio por unidad de tiempo o espacio, esdecir, es la velocidad media con que ocurren losacontecimientos.
25J. DE HARO
restoelen ,0
DISTRIBUCIÓN DE POISSON
• Se verifica que cumple las propiedades de todafunción de densidad:
1) f(x) 0, x=0,1,2,……. ≥
2) Demostración:
Teniendo en cuenta el desarrollo en serie depotencias de eµ. 26J. DE HARO
∑∞
==
0
1)(x
xf
1!
)(00
=== −∞
=
∞
=
− ∑∑ µµµ µee
xexf
x
x
x
DISTRIBUCIÓN DE POISSON
�Algunos ejemplos típicos que se modelizan poruna Poisson son: el número de llamadas queacepta una central telefónica en un período detiempo determinado, el número de accidentesocurridos durante un período de tiempo etc.
� La función de densidad de Poisson al igual que� La función de densidad de Poisson al igual quela binomial es campaniforme, pero en cambio,es siempre asimétrica positiva, aunque esaasimetría tienda a reducirse a medida que suparámetro µ ( n ) se hace mayor, pudiendollegar a ser simétrica. Su representación gráficaes un diagrama de barras.
27J. DE HARO
→∞
DISTRIBUCIÓN DE POISSON
FUNCIÓN DE DISTRIBUCIÓN
F(x) = P ( X ≤ x ) = !0 i
eix
i
µµ∑=
−
Su representación gráfica es un diagrama en escalera.
28J. DE HARO
!0 ii=
DISTRIBUCIÓN DE POISSON
FUNCIÓN GENERATRIZ DE MOMENTOS
Demostración:
)1()( −=te
X etM µ para t Є ℜ
Demostración:
También la podemos encontrar así,
Mx (t) = exp (µ (et -1))29
J. DE HARO
)1(
000 !
)(
!!)()( −−
∞
=
−∞
=
−∞
=
−====== ∑∑∑
tete
x
xt
x
xtx
x
xtxtX
X eeex
ee
xee
x
eeeEtM µµµµµ
µ µµµ
DISTRIBUCIÓN DE POISSON
VALOR ESPERADO O ESPERANZA MATEMÁTICA
)0(')(
)(0
'1 Xt
XX M
dt
tdMXE ====
=µµ
30J. DE HARO
dt
tteX eetM µµ )1()(' −=
M’X (0) = µ
DISTRIBUCIÓN DE POISSON
VARIANZAVar (X) = E( X2 ) - [E( X )]2
E(X2) = µ’2 = M’’X (0)
ttettte µµµ µµ )1()1( −− +=
31J. DE HARO
ttettteX eeeeetM µµµ µµ )1()1()('' −− +=
M’’X (0) = µµ +2
Var (X) = E( X2 ) - [E( X )]2 = µµ +2 - 2µ = µ
DISTRIBUCIÓN DE POISSON
�Si X1 ~ P ( ), X2 ~ P ( ), tal queX1 y X2 son independientes, entonces,
1µ 2µ
X1 + X2 ~ P ( )
32J. DE HARO
21 µµ +
DISTRIBUCIÓN DE POISSON
EjemploUna compañía financiera recibe unpromedio de tres cheques sin fondo por día.Calcular la probabilidad de que recibaexactamente uno un día determinado.Solución:Solución:X: número de cheques sin fondo recibidos en1 día. X=0,1,2,3,……
X ~ P ( µ=3 )
P(X=1) = f(1) = = 0.149=0.1533
!1
313−e
DISTRIBUCIÓN DE POISSON
LA DISTRIBUCIÓN DE POISSON COMOAPROXIMACIÓN DE LA DISTRIBUCIÓNBINOMIAL
Si en una distribución binomial B(n,p) elSi en una distribución binomial B(n,p) elnúmero de pruebas es grande (n ) y ala vez , la probabilidad de éxito espequeña (p ), de maneraque el producto np permanezcaconstante, np = µ , se verifica:
34J. DE HARO
∞→
0→
DISTRIBUCIÓN DE POISSON
Es decir, para n suficientemente grande y psuficientemente pequeño, la función de
!)1(lim
0x
eppx
n xxnx
nppn
µµ
µ
−−
→→
∞→=−
suficientemente pequeño, la función dedensidad binomial se puede aproximar, encada punto de su recorrido, por el valor quetiene en ese punto la función de densidad de ladistribución de Poisson con la misma media.La aproximación se realiza para tamaños(n)elevados, hay quien los considera superiores a30 0 50 y p prácticamente nula: p= 0.0….
35
DISTRIBUCIÓN DE POISSON
Nota: La distribución de Poissontambién es conocida con el nombrede Ley o distribución de los sucesosraros, ya que modeliza en algunasocasiones el número de veces queocasiones el número de veces quetiene lugar un suceso de probabilidadmuy pequeña a lo largo de unnúmero elevado de pruebas.
36J. DE HARO
DISTRIBUCIÓN UNIFORME
3.- DISTRIBUCIÓN UNIFORMEDiremos que una variable aleatoria continua Xsigue una distribución uniforme en el intervalo[a, b], a<b, y se representa medianteX ~ U (a , b) cuando su FUNCIÓN DEX ~ U (a , b) cuando su FUNCIÓN DEDENSIDAD viene dada por:
f( x ; a , b )
Nota: Realmente - < a < x < b < , es decir,a y b pueden tomar cualquier valor dentro delos reales. 37
J. DE HARO
<<−=
restoelen
bxasiabxf
,0
1)(
∞ ∞
DISTRIBUCIÓN UNIFORME
Se puede comprobar fácilmente que ladistribución uniforme de parámetros a y b(biparamétrica), es función de densidad.
1) f(x) 0 para - < a < x < b < ∞ ∞ ≥1) f(x) 0 para - < a < x < b <Dando valores a f (x) se comprueba.
2)
Demostración:38J. DE HARO
∞ ∞ ≥
∫ =b
a
dxxf 1)(
[ ] 111
)( =−−=
−=
−=∫ ∫ ab
abx
abdx
abdxxf b
a
b
a
b
a
DISTRIBUCIÓN UNIFORME
Debido a la forma que adopta también sela conoce con el nombre de distribuciónrectangular
La distribución uniforme es simétrica, noLa distribución uniforme es simétrica, notiene moda, y su mediana es igual a lamedia.
40J. DE HARO
DISTRIBUCIÓN UNIFORME
Para calcular las probabilidades en unintervalo con distribución uniforme seutiliza suFUNCIÓN DE DISTRIBUCIÓN
41J. DE HARO
bxa
bx
ab
axdt
ab
ax
xXPxFx
a
≤≤
>
−−=
−
<
=≤= ∫
,
,1
1
,0
)()(
DISTRIBUCIÓN UNIFORME
En consecuencia, si a x1 x2 b,
P(x1 X x2) = F(x2)-F(x1)= , loque indica que la probabilidad de que estavariable tome valores en un subintervalode [a,b], es proporcional a su longitud. Por
≤ ≤ ≤ ≤
a-b
xx 12 − ≤
de [a,b], es proporcional a su longitud. Porello, la probabilidad de que la variabletome un valor en cada subintervalo deigual longitud es la misma.Ejemplo:P(0 X 3) = P(6 X 9) para
a=-1, b=1242J. DE HARO
≤ ≤ ≤ ≤
DISTRIBUCIÓN UNIFORME
Se cumple que
F(- )∞ = F(a) = 0 F’(x)=f(x)=1/b -a
Son las propiedades de F(x)
43J. DE HARO
F(- )∞ = F(a) = 0 F’(x)=f(x)=1/b -a
F( )∞ = F(b) = 1 Es no decreciente
DISTRIBUCIÓN UNIFORME
ESPERANZA
b
44J. DE HARO
2)(2
))((
)(222
1
2
111)(
22222 ab
ab
abab
ab
abab
ab
x
abxdx
abdx
abxXE
b
a
b
a
b
a
+=−
+−=−−=
−
−=
−=
−=
−= ∫∫
DISTRIBUCIÓN UNIFORME
VARIANZAVar (X) = E( X2 ) - [E( X )]2
)(3
))((
)(333
1
3
11)(
223333322
ab
aabbab
ab
abab
ab
x
abdx
abxXE
bb
=−
++−=−−=
−−
=
−=
−= ∫
b>a45J. DE HARO
12
)(
12
2
12
363444
4
)(
3)(
2222222222 abaabbbabaaabbbaaabbXVar
−=+−=−−−++=+−++=
3
)(3)(3333)(
22 aabb
ababababdx
abxXE
aa
++=
=−
=−
=
−−
=
−
=−
= ∫
DISTRIBUCIÓN UNIFORME
RESUMEN DE DESCRIPTIVOS
( )2
a bE x
+=
2
( )2( )
( )1 2
E x
b aV a r x
=
−=
J. DE HARO 46
DISTRIBUCIÓN UNIFORME
Nota:
La distribución uniforme, en general,modeliza el comportamiento de losfenómenos cuyos sucesos seanfenómenos cuyos sucesos seanequiprobables, destacandofundamentalmente en la generación denúmeros aleatorios por ordenador cuandose trabaja sobre el intervalo [0,1].
47J. DE HARO
DISTRIBUCIÓN UNIFORME
EjemploDe una estación parte un tren cada 20minutos. Un viajero llega aleatoriamente.
Hallar:a) La función de distribución de la variablealeatoria “tiempo de espera”.aleatoria “tiempo de espera”.
b) Probabilidad de que espere el tren menosde 7 minutos.
c) Esperanza y varianza de la variablealeatoria “tiempo de espera”
d) Probabilidad de que espere exactamente12 minutos.
48J. DE HARO
DISTRIBUCIÓN UNIFORME
Solución: X ~ U (0, 20)
a)
>
≤≤
<
=
20,1
200,20
0,0
)(
x
xx
x
xF
b) F (7) = P ( X ≤ 7 ) = 7/20
c) E (X) = (b+a)/2 = (20+0)/2 =10 minutos
V(X) =(b-a)2 /12= (20-0)2 / 12 = 33,333minutos al cuadrado
d) P(X=12) = 0 por ser v.a.c49
J. DE HARO
DISTRIBUCIÓN EXPONENCIAL
4.- DISTRIBUCIÓN EXPONENCIALSe dice que una variable aleatoria X sigue unadistribución exponencial de parámetro,
>0, y se representa mediante X ~ E ( ) oX ~ Exp ( ) , si X es continua y su
β β
β
X ~ Exp ( ) , si X es continua y suFUNCIÓN DE DENSIDAD es,
50J. DE HARO
β
>>==
−
restoelen
xsiexfxf
x
,0
0,0,1
);()( βββ
β
DISTRIBUCIÓN EXPONENCIAL
Vamos a comprobar que se trata de unafunción de densidad,
1) f(x) 0. Ver representación gráfica ≥ ∞
2)
51J. DE HARO
∫∞
=0
1)( dxxf
[ ] 11011110
0
0000
=+−=+−=−−=
−=
−== ∞−∞−
∞−∞−∞ −∞ −
∫∫ee
eeeedxedxe
xxxx
ββββββ
ββ
DISTRIBUCIÓN EXPONENCIAL
El cálculo de probabilidades relativas avariables con distribución exponencial serealiza a partir de la función dedistribución.FUNCIÓN DE DISTRIBUCIÓNFUNCIÓN DE DISTRIBUCIÓN
53J. DE HARO
∞≅
>−
≤
=≤=−
xsi
xsie
xsi
xXPxF
x
,1
0,1
0,0
)()( β
DISTRIBUCIÓN EXPONENCIAL
Obtención de F(x):
βββββββββ
ββ
xxxxxxxx xx x
eeeeeedxedxexF −−
−−−−−−
−=
−−=
−−=
−=
−=== ∫∫ 1111
)( 0
0000
Nota:A la función
S(x)= 1-F(x) = P(X>0)=
para x>0, se la denomina función desupervivencia, S(x).
54J. DE HARO
βx
e −
DISTRIBUCIÓN EXPONENCIAL
FUNCIÓN GENERATRIZ DE MOMENTOS
ββ
β1
)1(1
1)()()( 1
0
<−=−
=== −∞
∫ tparatt
dxxfeeEtM txtXX
A partir de ella se puede calcular la mediay la varianza
55J. DE HARO
DISTRIBUCIÓN EXPONENCIAL
ESPERANZA MATEMÁTICA O VALOR ESPERADO
E(X)=M’x (0)= 1'µ = Xµ
M’ (t) = 22 )1()1)()(1( −− −=−−− tt ββββ
56J. DE HARO
M’X(t) = 22 )1()1)()(1( −− −=−−− tt ββββ
E(X)= M’X(0)= β
DISTRIBUCIÓN EXPONENCIAL
VARIANZA
Var (X) = E( X2 ) - [E( X )]2
E( X2 )= 'µ =M’’ (0)
57J. DE HARO
E( X2 )= 2'µ =M’’X(0)
323 )1(2)1)(()2()('' −− −=−−−= tttM X βββββ M’’X (0)=2 232 2)01( ββ =− −
Var (X) = 2 222 βββ =−
DISTRIBUCIÓN EXPONENCIAL
USOS DE LA DISTRIBUCIÓN EXPONENCIAL
Se utiliza como modelo para representartiempos de funcionamiento o de espera. Ladistribución exponencial expresa tambiéndistribución exponencial expresa tambiénel tiempo que transcurre entre sucesosque se contabilizan mediante ladistribución de Poisson. Por ejemplo:tiempo transcurrido entre dos llamadastelefónicas (Poisson: número de llamadasrecibidas en un tiempo) etc.
58J. DE HARO
DISTRIBUCIÓN EXPONENCIAL
También se dice que la distribuciónexponencial no tiene memoria, esto es,
Si X ~ E (β ), y si t2 > t1, t = t2 - t1 ,
entonces se verifica:
59J. DE HARO
entonces se verifica:
P(X> t2 / X> t1) = P(X> t2 – t1) = P(X>t)
t1>0, t>0
DISTRIBUCIÓN EXPONENCIAL
Es decir, la probabilidad de ocurrencia deeventos presentes o futuros no dependede los que hayan ocurrido en el pasado.
Esto es, si X mide el tiempo de espera, loEsto es, si X mide el tiempo de espera, loanterior establece que la probabilidad deque el tiempo de espera, a partir de unmomento dado t1 , sea superior a un valort, es independiente del momento t1, enque empiece a contarse.
60J. DE HARO
DISTRIBUCIÓN NORMAL
5.- DISTRIBUCIÓN NORMAL
En la práctica un gran número defenómenos siguen la ley normal, ya seacomo límite de otras distribuciones comocomo límite de otras distribuciones comola binomial, o t , o porque determinadosfenómenos siguen una distribucióncampaniforme simétrica, es decir, muchafrecuencia en torno a su media y poca enlas colas.
61J. DE HARO
UTILIDAD
• Se utiliza muy a menudo porque haymuchas variables asociadas a fenómenosnaturales que siguen el modelo de lanormal.
• Caracteres morfológicos de individuos
62
• Caracteres morfológicos de individuos(personas, animales, plantas,...) de unaespecie, por ejemplo: tallas, pesos,diámetros, distancias, perímetros,...
• Caracteres fisiológicos, por ejemplo:efecto de una misma dosis de un fármaco,o de una misma cantidad de abono
DISTRIBUCIÓN NORMAL
La distribución normal fue reconocida por primera vez por el francés Abraham de Moivre (1667-1754).
63
Posteriormente, Carl Friedrich Gauss (1777-1855)realizó estudios más a fondo donde formula la ecuación de la curva conocida comúnmente, como la “Campana de Gauss".
J.H.G
DISTRIBUCIÓN NORMAL
DISTRIBUCIÓN N ( )
Una variable aletoria X sigue unadistribución normal de parámetros µ y σ,con µ Є y σ >0, y se representa
σµ,
ℜcon µ Є y σ >0, y se representamediante X ~ N ( ) si es unavariable aleatoria continua cuya función dedensidad es,
64J. DE HARO
ℜ
0,,,2
1)(
22
2)(
>∞<<∞−∞<<∞−=−−
σµπσ
σ
µ
xparaexf
x
σµ,
DISTRIBUCIÓN NORMAL
OTRAS EXPRESIONES DE ESTA FUNCIÓN SON
0,,,2
1)(
2
>∞<<∞−∞<<∞−=
−−σµ
πσσ
µ
21
xparaexf
x
SE DENOTA POR65
J. DE HARO
0,,,2
1exp
2
1)(
2
>∞<<∞−∞<<∞−
−−= σµ
σµ
πσ xpara
xxf
f(x; σµ, )
DISTRIBUCIÓN NORMAL
• También podemos encontrar X ~ ,por lo que nos tendrán que aclarar el valordel segundo parámetro.
• e = 2.7182….. Base de los logaritmos
),( 2σµN
• e = 2.7182….. Base de los logaritmosneperianos.
• = 3.1416… Relación entre la longitud yel diámetro de una circunferencia.
66J. DE HARO
π
DISTRIBUCIÓN NORMAL
Se demuestra que es función de densidad:
1) f(x) 0. Dando valores se puedecomprobar. Veremos que es unadistribución campaniforme simétrica
≥
distribución campaniforme simétricacentrada en µ.
2)
67J. DE HARO
∫∞
∞−= 1)( dxxf
Se puedeinterpretar lamedia, µ, comoun factor detraslación.
68
La desviacióntípica, σ, comoun factor deescala, grado dedispersión.
, varianza.2σ
J.H.G
N(µ, σ): Interpretación probabilista
• Entre la media y una desviación típica tenemos siempre la misma probabilidad: aprox. 68%
69
aprox. 68%
• Entre la media y dos desviaciones típicas aprox. 95%
J.H.G
DISTRIBUCIÓN NORMAL
� Para calcular probabilidades usaremoslas tablas de la N(0,1)
�Función generatriz de momentos
A partir de ella calculamos la media y lavarianza
72J. DE HARO
∞<<∞−==+
tparaeeEtMt
ttX
X
,)()( 2
22σµ
DISTRIBUCIÓN NORMAL
Esperanza matemática
E(X) = M’x (0) = 1'µ =
Xµ
2222
73J. DE HARO
2
22
22
222
)()2
2()('
tt
tt
X etet
tMσµσµ
σµσµ
++
+=+=
µµ =+= +00)0()0(' eM X
DISTRIBUCIÓN NORMAL
VARIANZAVar (X) = E( X2 ) - [E( X )]2
E( X2 )= M’’X(0) 2222 σσ tt
74J. DE HARO
)()()('' 22
22
22
22
2 µσµσσσµσµ
+++=++
tetetMt
tt
t
X
M’’X(0) = 22 µσ +
Var(X) = 22 µσ + - µ2 = σ2
CARACTERÍSTICAS DE LA DISTRIBUCIÓN NORMAL
1) Su función de densidad es
campaniforme simétrica (campana de
Gauss) respecto la recta x=µ (su media),
es decir, )()( xfxf +=− µµ
2) Su campo de existencia es X Єℜ ,
∞<<∞− X
75J. DE HARO
3) Posee un máximo en x=µ ,
(µ , πσ 2
1)
4) Puntos de inflexión, σµ ±
5) Tiene el eje de abcisas como asíntota
horizontal: 0)(lim =±∞→
xfx
CARACTERÍSTICAS DE LA DISTRIBUCIÓN NORMAL
6) Si X < µ ⇒ f’(x) > 0 ⇒ f(x) es creciente.
Si X > µ ⇒ f’(x) < 0 ⇒ f(x) es decreciente.
7) Al ser simétrica verifica:
µ= Me= Mo
Coef de asimetría de Pearson o Fisher serán
nulos.
Curtosis = 3
Intervalos notables: )2( σµ ± contiene
el 95% de las
76J. DE HARO
observaciones.
)3( σµ ± contiene
el 99% de las
observaciones.
8) Dadas dos normales con igual media y
diferente desviación estándar, se cumple que
la curva con menor dispersión es más
apuntada y está menos abierta.
X1 ~ ),(11
σµN y X2 ~ ),(22
σµN
DISTRIBUCIÓN N (0,1)
� Todas las distribuciones N (µ, σ) se puedentransformar en una N (0,1), realizando uncambio de origen y de escala sobre la variableX. Hablamos así de la distribución normaltipificada o estándar, que tiene de media 0 yvarianza 1.Dada una variable de media µ y desviación
77
� Dada una variable de media µ y desviacióntípica σ, se denomina valor tipificado, z, deuna observación x, a
Esta operación se conoce con el nombre detipificación.
σµ−= x
z
J.H.G
DISTRIBUCIÓN N (0,1)
Proposición:• Si la variable aleatoria X ~ ,entonces la variable tipificada Z ~ N (0,1)
• De esta forma obtenemos valores de
),( σµN
• De esta forma obtenemos valores deconocidos (0,1).
• Obtenemos así la N(0,1) que viene dada entablas de forma que
P(X x)= P(Z z), es decir,
F(x; µ,σ) = F(z; 0,1)78
J. DE HARO
σµ y
≤ ≤
DISTRIBUCIÓN N(0,1)
� Asigna a todo valor de N(µ,σ), un valor deN(0,1) que deja exáctamente la mismaprobabilidad por debajo de ambasfunciones de densidad.
� Como la N(0,1) si está tabulada,
79
� Como la N(0,1) si está tabulada,calcularemos las probabilidades de unaN(µ,σ) a través de dichas tablas.
� La N(0,1) es simétrica respecto de sumedia 0.
J.H.G
DISTRIBUCIÓN N (0,1)• ESTUDIO DE LA N (0,1)
1) Si se sustituye la media por cero y la varianza
por 1 se obtiene la función de densidad de
Z ~ N(0,1):
∞<<∞−==−
zezfzfz
,21
)1,0;()( 2
2
π
81
J. DE HARO
2) Se comprueba que es función de densidad:
2.1) f(z) 0≥
2.2) ∫∞
∞−= 1)( dzzf
3) Su función de distribución es,
dzezZPzFz
z2
2
21
)()(−
∞−∫=≤=
π
Estas probabilidades aparecen tabuladas en
las tablas de la N(0,1).
DISTRIBUCIÓN N (0,1)
4) 2
2
)(t
Z etM =
5) E(Z) = Zµ = 0, Var(Z)=2
Zσ = 1, 1=Zσ
6) La función de densidad N(0,1) es
campaniforme simétrica respecto de la recta
z = 0 (su media), por tanto, f(-z)= f(z), tal
que ∞<<∞− z
7) Posee un máximo en z=0, (0, π2
1)
82J. DE HARO
π28) f(z) es creciente para z<0 y
decreciente para z>0
9) Los puntos de inflexión son: 1±
10) Tiene el eje de abcisas como asíntota
horizontal: 0)(lim =±∞→
zfz
11) La media, mediana y moda serán
iguales a cero.
Los coeficientes de asimetría también
serán nulos.
Z ES UNA NORMAL TIPIFICADA
Calcular P ( Z > 1.85 ) = P (Z 1.85)
Como nuestra tabla es “por cola izquierda”,da la probabilidad acumulada hasta un
≥
85
da la probabilidad acumulada hasta uncierto valor de la variable, tendremos quecalcular el complementario.
Solución: 1 - P ( Z < 1.85 ) = 1 – F (1.85)
= 1- (TABLAS) = 1 - 0.968 = 0.032J.H.G
Z ES UNA NORMAL TIPIFICADA
Calcular P ( Z < - 0.54 ) = P ( Z - 0.54 ) = F(-0.54)≤
86
Solución: 0.295 J.H.G
Z ES UNA NORMAL TIPIFICADA
Calcular P (-0.54 < Z < 1.85) = F (1.85) – F (-0.54)
87
Solución: 0.968 - 0.295 = 0.673J.H.G
NORMAL (µ,σ)� EJEMPLOS
Sea X ~ N (140, σ = 20) a) calcular P (X < 150)
1. Determinar el valor Z:
88
1. Determinar el valor Z:
2. P ( X < 150 ) = P ( Z < 0.50 ) = (TABLAS) = 0.6915
50.020
140150 =−=−=σ
µXZ
J.H.G
NORMAL (µ,σ)
b) Calcular P (X > 120 )
1. Determinar el valor Z:
140120−
89
2. P(X > 120) = P(Z > -1) = 1- P(Z< -1)= =1-F(-1) = 1- 0.1587 = 0.8413
120
140120 −=−=Z
J.H.G
N(0,1)
� Calcule las siguientes probabilidades1. P ( Z < 4 ) = 12. P ( Z > 4 ) = 1 – P (Z < 4)= 1-1 = 03. P ( Z < -4 ) = 0
90
� Obtenga el valor de K, dado P(Z<K )= 0.9826
Observa que K es un valor de la N(0,1).Buscando la probabilidad dada dentro de latabla, obtenemos que K = 2.11
J.H.G
DISTRIBUCIÓN NORMAL
� Proposición
Sean X1, X2, ….., Xn variables aleatoriasindependientes tales que Xi ~ ,i= 1,2,…..,n y a1, a2,…., an ЄLa combinación lineal de las anterioresvariables
),( iiN σµ ℜ
variables
también tiene una distribución normal,
La suma de normales independientes dalugar a otra normal 91
nnXaXaXaY +++= .....2211
),( YYN σµY ~
DISTRIBUCIÓN NORMAL
siendo
∑=
=++=n
iiinnY aaa
111 .... µµµµ
92J. DE HARO
∑=
=
=++=n
iiinnY
i
aaa1
222221
21
2
1
.... σσσσ
DISTRIBUCIÓN NORMAL
� En el caso particular que ai= 1
Y ~ N
nXXXY +++= .....21
),(1
2
1∑∑==
n
ii
n
ii σµ
� Para el caso particular de dos variablesindependientes
93
J. DE HARO
11 == ii
21XXY += , Y ~ N ),( 2
2
2
121 XXXXσσµµ ++
21
XXY −= , Y ~ N ),( 2
2
2
121 XXXXσσµµ +−
APROXIMACIÓN DE LA DISTRIBUCIÓN BINOMIAL MEDIANTE LA NORMAL
TEOREMA DE MOIVRE
Sea X el nº de éxitos resultantes de n ensayos independientes, cadauno con probabilidad de éxito p (X ~ B(n,p)). Si n es grande
y p no tiende a cero, entonces, la distribuciónbinomial puede aproximarse por la distribución Normal de mediaµµµµ=np y varianza σ2= np(1-p)
−−≤≤
−−≈≤≤
)1()1()(
pnp
npbZ
pnp
npaPbXaP
n ∞→ ,
−
≤≤−
≈≤≤)1()1(
)(pnp
Zpnp
PbXaP
En la práctica se usa la corrección de continuidad de medio punto, yaque se pasa de un modelo discreto a continuo
−−+≤≤
−−−≈≤≤
)1(
5,0
)1(
5,0)(
pnp
npbZ
pnp
npaPbXaP
Siendo Z la distribución normal estándar (N (0,1))
APROXIMACIÓN DE BINOMIAL A NORMAL
• Ejemplo:Si X ~ B(100, p=0.4), E(X) = 40 = n p,
Var (X) = 24 = n p qCalcule P(X = 45)Como n>30 0 50, y p no tiende a cero, secumplen las condiciones para llevar a cabo lacumplen las condiciones para llevar a cabo laaproximación de la binomial a la normal, conla corrección del 0.5 pertinente.
95
J. DE HARO
P(X=45)=P(44.5 ≤ X ≤ 45.5) = P =≤≤=−≤≤−)12.192.0()
24
405.45
24
405.44( ZPZ
= F(1.12) – F(0.92) = 0.8686 – 0.8212 = 0.0474
DISTRIBUCIÓN NORMAL
Ejercicio
Entre 100 empresas cuyas reacciones sesuponen independientes entre sí, seanaliza la modificación en su actividadderivada de la adopción de un conjunto demedidas económicas. Cada una de estasmedidas económicas. Cada una de estasempresas entiende que dicho conjunto demedidas incidirá sobre su actividad conuna probabilidad, común para todas ellasde 0.4. Determinar la probabilidad de queal menos 20 de esas empresas modifiquenrealmente su actividad como consecuenciade las referidas medidas. 96
J. DE HARO
DISTRIBUCIÓN NORMAL
X: número de empresas que modifican su actividad. X = 0,1,….,100.
X ~ B(100, p=0.4) como vemos n ∞→ y p no tendente a cero
Aproximación de B a N
Donde µ = n p = 100. 0.4 = 40. σ = 9.46.0.4.0.100 ≅= npq
P(X ≥ 20) = P(X ≥ 19.5) = 1)18.4()405.19
( =−≥=−≥ ZPZP
97J. DE HARO
P(X ≥ 20) = P(X ≥ 19.5) = 1)18.4()9.4
405.19( =−≥=−≥ ZPZP
Observación: P(X>20) = P(X ≥ 20.5)
P(X<20) = P(X≤ 19.5)
P(X≤ 20) = P(X≤ 20.5)
6.- DISTRIBUCIÓN JI-DOS
Sean r variables aleatoriasindependientes e igualmente distribuidassegún una N(0,1). La variable aleatoria
diremos que sigue una distribución ji-dos ochi-cuadrado con r grados de libertad, y la
rXXX ,.....,, 21
222
21 ..... rXXXX +++=
chi-cuadrado con r grados de libertad, y larepresentamos por X ~La variable aleatoria X es continua conrecorrido [0, ∞). El parámetro r es un enteropositivo que representa el número denormales independientes utilizadas paragenerar esa distribución Ji-dos. A r se leconoce con el nombre de grados de libertad. 98
2rχ
DISTRIBUCIÓN JI-DOS
Esta definición de ji-dos está basadaen una serie de propiedades:
1) Si X ~ N (0,1) ~ , esdecir,
⇒ 2X 2
1χdecir,
[N(0,1)]2 ~
Una N(0,1) al cuadrado es una ji-doscon 1 grado de libertad.
99
J. DE HARO
21χ
DISTRIBUCIÓN JI-DOS
2) La suma de ji-dos independientes dalugar a otra ji-dos con la suma de losgrados de libertad de las ji-dos queintervengan en tal suma.Sea 22
221 ..... rXXXX +++=
donde cada Xi ~ N (0,1), i=1,2,….,re independientes.
Entonces, X ~100
J. DE HARO
21 ..... rXXXX +++=
2rχ
DemostraciónUna N(0,1) al cuadrado es una ji-
dos con 1 grado de libertad, por
tanto,
2
iX ~ 2
1χ
X = 2
1χ +2
1χ +….+ 2
1χ
101J. DE HARO
La suma de ji-dos independientes
será:
2
1
21
1
2r
r
i
r
iiXX χχ === ∑∑
== ,
por tanto, X ~ 2
rχ
Grad. de libertad13
Chi-Cuadrado Distribuciónde
nsid
ad
0,04
0,06
0,08
0,1
DISTRIBUCIÓN CHI-CUADRADO DE PEARSON DE r GRADOS DE LIBERTAD:
x
dens
idad
0 10 20 30 400
0,02
0,04
Media: rVarianza: 2r Es importante en inferencia estadística
DISTRIBUCIÓN JI-DOS
� A pesar de haber definido la ji-dos a partirde la N(0,1), hemos de saber que la ji-dostiene su propia función de densidad y quecumple con las propiedades de toda funciónde densidad.
� La forma de la función de densidad cambiasegún el valor de r.Para r = 1 y 2 su forma es como la de unaexponencial, para r > 2 es campaniformeasimétrica positiva.
103J. DE HARO
DISTRIBUCIÓN JI-DOS
Para calcular las probabilidadesrelativas a variables Ji-dosutilizaremos las tablas construidas apartir de su función de distribución.
Estas probabilidades estántabuladas.
106J. DE HARO
∫=≤=x
dttfxXPxF0
)()()(
DISTRIBUCIÓN JI-DOS
Función generatriz de momentos
2
1 ,)21(
1)( 2
<−==−
tparattMr
rX
A partir de ella calculamos su media yvarianza.
107J. DE HARO
2)21( 2− t
rX
DISTRIBUCIÓN JI-DOS
Media
E(X)= M’x (0) = = 1'µ Xµ rr
M’X (0)=E(X)= r
108J. DE HARO
1
21
2' )21()2()21(2
)( −−−−
−=−−−=rr
X trtr
tM
DISTRIBUCIÓN JI-DOS
VarianzaVar (X) = E( X2 ) - [E( X )]2
E( X2 )= = M’’X(0) 2'µE( X )= = M’’X(0)
M’’X (0) = r2 + 2rVar (X) = r2 + 2r- r2 = 2r
109
J. DE HARO
2'µ
222
22'' )21)(2()2()21)(1
2()(
−−−−−+=−−−−=
rr
X trrtr
rtM
DISTRIBUCIÓN JI-DOS
Como consecuencia de laspropiedades vistas,
Si X ~ e Y ~ , 2
nχ 2mχ
110J. DE HARO
siendo X e Y independientes,se verifica
X+Y ~ 2
mn+χ
DISTRIBUCIÓN JI-DOS
Dado que X ~ con varianza 16,calcule las siguientes probabilidades:
a) P( X < 2.18 ) ?Hemos de saber los grados de libertadpara poder calcular las probabilidades:
2χ
112J. DE HARO
para poder calcular las probabilidades:Var(X)= 2r = 16 r=8
Por tanto, X ~Miramos dentro de la tabla para r=8 y 2.18la probabilidad acumulada es 0.025
28χ
DISTRIBUCIÓN JI-DOS
b) P( X > 15.51) ?P( X > 15.51) = 1- P(X<15.51) =
= 1- 0.95 = 0.05
P(X<15.51) = Miramos para r=8 elpunto 15.51 y sale0.950
si no se encuentra el valor exacto seaproxima, pero siempre dentro de losgrados de libertad correspondientes.
113J. DE HARO
DISTRIBUCIÓN JI-DOS
c) P(X< a) =0.9, obtener a.a=13.36 para r=8
d) P(X>b)= 0.1, obtener b.d) P(X>b)= 0.1, obtener b.P(X>b) = 1- P(x<b)
P(X<b)=1-0.1=0.9, se mira en latabla y sale
b=13.36114J. DE HARO
DISTRIBUCIÓN JI-DOS
e) Si P(X<a)=P(X>b), determinar a yb para que P(a<X<b) = 0.9
En las colas se acumula el resto de laprobabilidad 0.1, como en cada colaqueda igual probabilidadqueda igual probabilidad
0.1 / 2 =0.05
P(X<a) = 0.05 a = 2.73P(X<b) = 0.95 b = 15.51
115J. DE HARO
DISTRIBUCIÓN JI-DOSEjercicio . (25 de la relación)
a) X ~ 26χ X: ingresos familiares en miles de
dólares.
E(X)= r = 6
P(X≥ 10.650) = 1- P(X<10.650).
116J. DE HARO
P(X<10.650) = 0.90 se busca en la tabla, por tanto,
P(X≥ 10.650)= 1- P(X<10.650) = 1-0.9 = 0.1
b) P(X<a)=0.1 Para r=6 buscamos 0.1 de
probabilidad y sale
a = 2.20 miles de dólares
7.- T DE STUDENT
DEFINICIÓNSean Z e Y dos variables aleatoriasindependientes tales que,
Z ~ N(0,1) i Y ~ 2
rχZ ~ N(0,1) i Y ~
La variable aleatoria X se define,
117
J. DE HARO
rχ
r
N
r
Y
ZX
r2
)1,0(
χ==
T DE STUDENT
tal que, X ~ tr
es decir, X se distribuye como una t deStudent con r grados de libertad, suparámetro que es un entero positivo.parámetro que es un entero positivo.
Aunque la hemos definido a partir deotras distribuciones, la distribución tposee su propia función de densidad,con recorrido
X Є y r > 0118ℜ
J.H.G
T DE STUDENT
� Por tanto, es una variable aleatoriacontinua. Su función de densidad cumplelas propiedades de toda función dedensidad para variable continua.
� La t de Student es una distribucióncampaniforme simétrica tal que su formaes muy parecida a la N(0,1) y se aproximamás a medida que aumenta el parámetror. Se demuestra que convergen cuando
r120
J. DE HARO
∞→
T DE STUDENT
� Su media es E(X)=0 para r>1.�Su varianza existe para determinadosvalores de r, y no existe su funcióngeneratriz de momentos.
� Para el cálculo de probabilidades seutilizan las tablas de la t. Se basan enel concepto de función dedistribución, F(x).
121J. DE HARO
� Sea X ~ Calcule las siguientes probabilidades.
1. P( X < - 2.764) = F (-2.764) = 0.01se mira en n=10 y buscamos en partenegativa y obtenemos 0.01.
10t
negativa y obtenemos 0.01.
2. P(X > 2.228) = 1 - P( X < 2.228) == 1-F(2.228)== 1- 0.975= 0.025
123J. DE HARO
3. P(1.372 < X < 1.812) == P(X < 1.812) – P(X < 1.372) == F(1.812) – F(1.372) == 0.95 - 0.90 = 0.05
En el caso de que no aparezcan losgrados de libertad en la tabla setoman los grados más próximos.
124J.H.G
T DE STUDENTEjercicio
La probabilidad de que una t12 esté
comprendida entre dos valores simétricos
respecto del origen es igual a 0.80. ¿Cuánto
vale la abscisa del extremo positivo ?
SOLUCIÓN:
1-α =0.80, α =0.20 10.02
=α
se cumple 11 =++− ααα
125J. DE HARO
se cumple 122
1 =++− α
P(t12 < -2
αt ) = 0.10
Buscamos 12 grados y 0.10 en parte negativa,
- 2
αt = -1.356, por tanto por simetría el
extremo positivo 2
1α−
t = 1.356.
Si tuviera unidades las llevaría.
8.-DISTRIBUCIÓN F DE FISHER-SNEDECOR
Sean U y V dos variables aleatoriasindependientes tales que,
U ~ i V ~ 2
mχ 2nχ
Si
126
J. DE HARO
mχ nχ
nm
n
m
F
n
m
n
Vm
U
X ,2
2
===χ
χ
DISTRIBUCIÓN F DE FISHER-SNEDECOR
Es decir, X se distribuye como una Fde Fisher-Snedecor con m grados delibertad en el numerador y n en eldenominador (sus parámetros).denominador (sus parámetros).
Lo representamos así, X ~ Fm,n
127J. DE HARO
DISTRIBUCIÓN F DE FISHER-SNEDECOR
� Esta distribución posee su propiafunción de densidad tal que X 0, esvariable aleatoria continua y n, y mson enteros positivos, n,m>0. Estadistribución sólo toma valores
≥
distribución sólo toma valorespositivos o cero.
� Esta función es campaniformeasimétrica positiva y cumple con laspropiedades de toda función dedensidad. 128J. DE HARO
DISTRIBUCIÓN F DE FISHER-SNEDECOR
Función de densidad de Fm,n
0.7
0.6
129
J. DE HARO
x 543210
0.6
0.5
0.4
0.3
0.2
0.1
0
DISTRIBUCIÓN F DE FISHER-SNEDECOR
� Su esperanza y varianza existen paradeterminados valores de n.
� Las probabilidades se calculan apartir de su función de distribuciónpartir de su función de distribuciónque aparecen tabuladas en sustablas.
130J. DE HARO
DISTRIBUCIÓN F DE FISHER-SNEDECOR
Observaciones de interés:
Demostración:
mnnm
FF ,
,
1 =
Demostración:
131J. DE HARO
mnm
n
n
mnm
F
m
n
n
m
F ,2
2
2
2,
11 ===χ
χ
χ
χ
DISTRIBUCIÓN F DE FISHER-SNEDECOR
� La distribución F está
relacionada con la t de la
siguiente forma:
Si X ~ tr ⇒ X2 ~ F1, r
132J. DE HARO
Es decir, ( tr )2 ~ F1, r
Demostración:
r
rrr
F
rr
N
r
N,12
21
2
2
2
2
1))1,0(()1,0( ===
χ
χ
χχ
DISTRIBUCIÓN F DE FISHER-SNEDECOR
� P( F < F3,15 ) = 0.95
Vamos a la hoja de 0.95.Vamos a la hoja de 0.95.Buscamos v1 (grados del numerador)y v2 (grados del denominador) yobtenemos:
F3,15;0.95= 3.29
134J. DE HARO
DISTRIBUCIÓN F DE FISHER-SNEDECOR
� P( F > F5,2 ) = 0.01P( F > F5,2 ) = 1 - P( F < F5,2 )P(F < F5,2 ) = 1- 0.01 = 0.99
Buscamos 0.99, 5 numerador y 2denominador y obtenemos:
F5,2;0.99= 99.30
135J. DE HARO
DISTRIBUCIÓN F DE FISHER-SNEDECOR
� Obtenga a si P(F7,20 < a) = 0.01.
Vamos a la hoja de 0.01.Buscamos 7 grados numerador y 20Buscamos 7 grados numerador y 20grados denominador y
a = 0.16
136J. DE HARO
DISTRIBUCIÓN F DE FISHER-SNEDECOR
� Calcule la siguiente probabilidadP(F5,6 < 0.14) ?Se busca en todas las hojas 5 de
numerador y 6 denominador, hastaencontrar 0.14, y vemos que laencontrar 0.14, y vemos que laprobabilidad es de 0.025.
P(F5,6 < 0.14) = 0.025
137J. DE HARO