Академический Документы
Профессиональный Документы
Культура Документы
Sabemos que si Z ∼ N (0, 1) entonces a partir de ella podemos calcular cualquier probabilidad para cualquier
X −µ
X ∼ N (µ, σ 2 ), pues Z = . Anteriormente vimos que utilizando R si buscamos Φ(z) para algún z ∈ R,
σ
podemos usar la función pnorm de la siguiente forma: Φ(z) = FZ (z) = PZ (Z ≤ z) = pnorm(z, 0, 1)
Además de la probabilidad acumulada, otra cantidad importante son los cuantiles (o percentiles) de la distribu-
ción normal estándar.
Definición
De 5.1 vemos que para encontrar el percentil zα , podemos despejar Φ(zα ), de donde Φ(zα ) = 1 − α y buscar en
tablas de la distribución normal estándar el valor zα que acumule una probabilidad de 1 − α. En R podemos
calcular zα haciendo lo siguiente. El valor zα tal que Φ(zα ) = 1 − α, se encuentra directamente con la función
zα = qnorm(1 − α, 0, 1). Por ejemplo si queremos calcular z0.025 , entonces α = 0.025 ⇔ 1 − α = 0.975, utilizando
la función de R
z0.025 = qnorm(0.975, 0, 1) ≈ 1.96
Y podemos verificar lo anterior de forma muy sencilla Φ(1.96) = pnorm(1.96, 0, 1) ≈ 0.975. De forma general
podemos representar al cuantil zα como se muestra en la Figura 5.1.
fZ(z)
1−α
α
zα
1
5.3. DISTRIBUCIONES DERIVADAS DE LA NORMAL Carlos Erwin Rodrı́guez
De la Figura 5.1 podemos ver claramente el significado del cuantil zα . A la izquierda de zα hay un área de 1 − α
y a la derecha de zα hay un área de α.
Del Teorema 1 se puede ver que si se tiene una sola v.a. Z ∼ N (0, 1), entonces Z 2 = χ21
Definición
Si W es una v.a. χ2n entonces para toda α ∈ (0, 1) la cantidad χ2α,n se define
como el número real tal que
El significado del cuantil para la Ji-cuadrada con n grados de libertad es exactamente el mismo que para la
normal estándar. Esto se muestra en la Figura 5.2
fW(w)
1−α
χ2α,n
Para calcular los cuantiles de la Ji-cuadrada en R vemos que de la ecuación 5.3, se tiene que P (W ≤ χ2α,n ) = 1−α,
entonces el número real χ2α,n que satisface esta ecuación lo calculamos de la siguiente forma
χ2α,n = qchisq(1 − α, n)
Como comentario final acerca de la Ji-cuadrada, sólo tenemos que hacer notar que los valores que la v.a. χ2n son
todos no negativos pues esta distribución se origina a partir del elevar al cuadrado la normal estándar y sabemos
2
5.3. DISTRIBUCIONES DERIVADAS DE LA NORMAL Carlos Erwin Rodrı́guez
que x2 ≥ 0 ∀x ∈ R. Por lo que con esta distribución jamas tendremos que preocuparnos por los valores negativos.
Nuestra siguiente distribución se origina a partir de una transformación de normal estándar y la Ji-cuadrada.
Z
p ∼ Tn
W/n
La v.a. T de Student se comporta de forma muy parecida a la normal y puede tomar el valor de cualquier
número real. De hecho Tn para n suficientemente grande y la normal estándar son casi la misma distribución.
De este comentario tenemos que la v.a. Tn es simétrica y por lo tanto
Definición
tα,n = qt(1 − α, n)
1−α
α
tα,n
Por último en esta parte vamos a escribir el teorema que origina la distribución F de Fisher.
3
5.3. DISTRIBUCIONES DERIVADAS DE LA NORMAL Carlos Erwin Rodrı́guez
Teorema 3 Si χ2n y χ2m son dos variables aleatorias independientes con n y m grados de libertad, respectiva-
mente, entonces
χ2n /n
∼ Fn,m
χ2m /m
En donde a la v.a. Fn,m se le conoce como la F de Fisher con n y m grados de libertad.
1
Una propiedad importante de la F se desprende del teorema anterior Fm,n = Fn,m .
Definición
Si F es una v.a. Fn,m entonces para toda α ∈ (0, 1) la cantidad fα,n,m se define
como el número real tal que
fα,n,m = qf (1 − α, n, m)
Para llevar la misma secuencia que en la definición de los cuantiles anteriores, se muestra la Figura 5.4 para
tener una interpretación de fα,n,m .
gF(f)
1−α
α
fα,n,m
Para cerrar esta sección enunciaremos dos corolarios que hacen uso de los teoremas anteriores.
1
Pn 2 (n−1)S 2
Y = σ2 i=1 (Xi − X̄) = σ2 ∼ χ2n−1 (Justificación en clase)
√
V = √ Z = n(SX̄−µ)
2 ∼ Tn−1 (Del Teorema 2 y clase pues S 2 y X̄ son independientes)
Y /n−1
4
5.3. DISTRIBUCIONES DERIVADAS DE LA NORMAL Carlos Erwin Rodrı́guez
El corolario 1 nos servirá para construir intervalos de confianza y pruebas de hipótesis para µ.
Corolario 2 Sea X1 , X2 , . . . , Xn una m.a. de una población NP(µ1 , σ12 ) y Y1 , Y2 , . . . , Ym una m.a. de una
n
población N (µ2 , σ22 ), por el corolario 1 se tiene que W1 = σ12 i=1 (Xi − X̄)2 = σ12 (n − 1)SX 2
∼ χ2n−1 y
1 1
m
W2 = σ12 i=1 (Yi − Ȳ )2 = σ12 (m − 1)SY2 ∼ χ2m−1 , si las muestras aleatorias son independientes una de otra
P
2 2
entonces W1 y W2 son independientes una de otra y por el teorema 3
1 2
W1 /n − 1 S
σ12 X
G= = 1 2 ∼ Fn−1,m−1
W2 /m − 1 S
σ22 Y
El corolario 2 nos servirá más adelante para construir intervalos de confianza y pruebas de hipótesis acerca del
cociente de varianza de dos poblaciones normales.
Es muy importante que el estudiante además de saber cómo se calculan los cuantiles de cada distribución en
R también sepa hacerlo utilizando tablas, esto principalmente porque el examen se realizará utilizando tablas,
aunque en la práctica el uso de R será el más conveniente.