Вы находитесь на странице: 1из 27

~J'::~::Fu'nciones de densidad de probabilidad

"';2:;,.;;.-"" _

Una variable aleatoria (va) discreta es una cuyos valores posibles 0 constituyen un conjun-to finito 0 bien pueden ser puestos en lista en una secuencia infinita (una lista en la cual existe un primer elemento, un segundo elemento, etc.). Una variable alcatoria euyo conjunto de valores posibles es un intervalo completo de numeros no es diseretaj Recuerdese de acuerdo con el capftulo 3 que una variable aleatoria X es continua si I) sus valores posibles comprenden un solo intervalo sobre la \fnea de numeracion (para alguna A < B, cualquier numero x entre A y B es un valor posible) a una union de intervalos disjuntos y 2) P(X = c) = 0 para cualquier numero c que sea un valor posible de X. En el estudio de la ecologfa de un lago, se mide la profundidad en lugares seleccionados, entonces X = la profundidad en ese lugar es una variable aleatoria continua. En este casu A es la profundidad mfnima en la region muestreada y B es la profundidad maxima. Si se selecciona al azar un compuesto qufmico y se detcrmina su pH X, entonces X es una variable aleatoria continua porque cualquier valor pH entre 0 y 14 es posible. Si se conoce mas sobre el compuesto se.leccionado para su analisis, entonces el conjunto de posibles valores podrfa ser un subil1tervalo de [0, 14], tal como 5.5 $ x :5 6.5 pero X seguirfa siendo continua. Sea X ]a cantidad de tiempo que un cliente seleccionado al azar pasa esperando que Ie corten el pelo antes de que comience su corte de pelo. EI primer pensamiento podrfa ser que X es una variable aleatoria continua, puesto que se requiere medirla para determinar su valor . Sin embargo, existen clientes suficientemente afortunados que no tienen que esperar antes de sentarse en el sillon del peluquero. Asf que el caso debe ser P(X = 0) > O. Condicional en cuanto a los sillones vados, aun cuando, el tiempo de espera sera continuo puesto que X podrfa asumir entonces cualquier valor entre un tiempo minimo posible A y un tiempo maximo posible B. Esta variable aleatoria no es ni puramente discreta ni puramente continua sino que es una mezcla de los dos tipos. Se podrfa argumentar que aunque en principio las variables tales como altura, peso y temperatura son continuas, en la practica las limitaciones de los instrumentos de medicion nos restringen a un mundo discreto (aunque en ocasiones muy finamente subdividido). Sin embargo, los modelos continuos a menudo representan muy bien de forma aproximada situaciones del mundo real y con frecuencia es mas facil trabajar con matematicas continuas (el calculo) que con matematicas de variables discretas y distribuciones.

Ejemplo 4.1

!
ilidad el<:::ral de v,
)nes 41

." I
!

~-1
I
I

mas
leta!le
:il en

COI1',

..is

!co

,,1
"1

10

f
l~ .

distrib,

'~

I I

Distribuciones de probabilidad de variables continuas


Supongase que la variable X de interes es la profundidad de un lago en un punto sabre la superficie seleccionado al azar. Sea M = la profundidad maxima (en metros), asf que cualquier numero en el intervalo [0, M] es un valor posible de X. Si se "discretiza" X midiendo la profundidad al metro mas cercano, entonces los valores posibles son enteros no negativos menores que 0 iguales a M. La distribucion discreta resultante de profundidad se ilustra can un histograma de probabilidad. Si se traza el histograma de modo que el area del rectangu10 sobre cualquier entero posible k sea la proporcion del lago cuya profundidad es (al metro mas cercano) k, entonces el area total de todos los rectangulos es 1. En la tigura 4.1 a) aparece un posible histograma. Si se mide la profundidad con mucho mas precision y se utiliza el mismo eje de medicion de la figura 4.1 a), cada rectangulo en el histograma de probabilidad resultante es mucho mas angosto, aun cuando el area total de todos los rectangulos sigue siendo I: En la

Variables aleatorias contlnuas y distribuCiones de probabilidad

fi~ura 4.Lb) se iLustra un posibL~ histogr~~a; tiene una aparien~i~ mucho mas regular que el hlstograma de Lafigura 4.1a). SI se contmua de esta manera mldlendo la profundldad mas y ! mas finameme, Lasecuencia resultante de histogramas se aproxima a una curva mas regular i taLcomo la iLustrada en la figura 4.Lc). Como en cada histograma el area total de todos lo~ f rectangulos es iguaL a I, eLarea total bajo la curva regular tambien es I. La probabi Iidad de ~ que la profundidad en un punto seleccionado aLazar se encuentre entre a y h es simplcrnen_ , te ~I area bajo la curva regular entre a y b. Es de manera exacta una curva regular del tipa ilustrado en Lafigura 4.lc) la que especifica un distribuci6n de probabilidad continua.

I /---~~
o

L-~-"
M
c)

Figura 4.1 a) Histograma de probabilidad de profundidad medida al metro mas cercano; b) histograma de probabilidad de profundidad medida al centimetro mas cercano; c) un limite de una secuencia de histo gramas discretos.

LSea X una variable aleatoria continua. Entonces, una distribucion de probabilidad 0 Cuncion de densidad de probabilidad (fdp)de X es una funci6nflx) taLque para dos numeros cualesquiera a y b cona :5 h,
P(a
:5

:5

b)

r
a

f(x)

dx

Es decir, LaprobabiLidad de que X asuma un valor en el intervalo [a, b] es eL area sobre este intervaLo y bajo Lagrafica de la funci6n de densidad, como se iLustra en !a f1gura 4.2. La grafica de j(x) a menudo se canace como curva de densidad;j _

JI

Vara quef(x) sea una funci6n de densidad de probabilidad legftima, debe satisfacer las dos siguientes condiciones: 1. f(x) ~ 0 con todas las x 2.

J:

f(x) d..t

area bajo la curvaf(x) L

Ejemplo 4.4

La direcci6n de una imperfecci6n can respecto a una linea de referencia sabre un objeto circular tal como un neumatico, un rotor de frena a un volante esta, en general, sujeta a incertidumbre. Considerese la linea de referencia que conecta el vastago de la valvula de un neumatico con su punta central y sea X el angulo medido en el sentido de las manecillas del reloj can respecto a la ubicaci6n de una imperfecci6n. Una posible funci6n de densidad de probabilidad de Xes ( 1 f(x) = J 360 0:5 x < 360 lOde 10 contrario

;urva mas :,~,ji~r, total d,~ f<," a proba));!"


I

La funci6n de densidad de probabilidad aparece dibujada en la [lgura 4.3. Claramente j(x) ;.:::: O. EI area bajo la curva de densidad es simplemente el area de un rectangulo (altura) (base) = C~J(360) = 1. La probabilidad de que el angulo este entre 90 y 180 es
P(90

'.

iiJ,

., ,k
,""1.

:s X::S 180) ==

(180

b es simj .. a regular ,.

90

I dx 360

IFl80 1,,;90

360

= -4 = 0.25

,po

ad cOl1ti~,I..

La probabilidad de que el angulo de ocurrencia este dentro de 90 de la linea de referencia es

ana; bi his;,.", ' rd secuencia c i'<'i'


270

---1--360

.r

obabilidi' I que par:, . ",

Como siempre que 0 :s a :s b :s 360 en el ejemplo 4.4, P(a ::s X :s b) depende solo del ancho b - a del intervalo, se dice que X tiene una distribucion uniforme.

es el are;; ustra en i
Id.

DEFINICION

i in-te~;;l~ [A, B] si la funcion de densidad


f(x; A, B) ~{B

~que

una variable aleatoria continua X tiene una distribuci6n uniforme en el de probabilidad de Xes A:Sx:sB de 10 contrarioJ

(~A

La gnifica de cualquier funcion de densidad de probabilidad uniforme es como la de la figura 4.3 excepto que el intervalo de densidad positiva es [A, B) en lugar de [0, 360). En el casu discreto, una funcion masa de probabilidad indica como estan distribuidas pequefias "manchas" de masa de probabilidad de varias magnitudes a 10 largo del eje de medicion. En el casu cominuo, la densidad de probabilidad esta "dispersa" en fonna continua a 10 largo del intervalo de posibles valores. Cuando la densidad esta dispersa uniformemente a 10 largo del intervalo, se obtiene una funci6n de densidad de probabilidad unifonne como en la figura 4.3. . Cuando X es una variable aleatoria discreta, a cada valor posible se Ie asigna una probabilidad positiva. Esto no es cicrto en el caso de una variable aleatoria continua (es decir, se satisface la segunda condici6n de la definicion) porque el area bajo una curva de densidad situada sabre cualquier valor unico es cero: un objeto -:',;.'l!ta a incclT' . "In1 neUlllatlt". . ,"!!1 , '\0

P(X = c) = -c f(x)dx

=!06

fc+e c-e f(x)dx

= 0

loj con

Ie"

)ilidad dot:

.'\

EI hecho de que P(X = c) = 0 cuando X es continua tiene una importante consecuencia practica: La probabilidad de que X quede en algun intervalo entre a y b no depende de si el limite inferior a 0 ellimite superior b esta incluido en el calculo de probabilidad

Si Xes discreta y tanto a como b son valores posibles (p. ej., X es binomial (.')" a = 5, b = 10), entonces cuatro de estas probabilidades son diferentes. La condici6n de probabilidad cero tiene un analogo fisico. Considercse: circular s6lida con area de secci6n transversal = I pulg2. Cologue la barra a leI i:.d eje de medicion y sup6ngase que la densidad de la barra en cualquier puntl' .\ I;,' , el valor}(x) de: una funci6n de densidad. Entonces si la barra se rebana en 10\ Ill'" y este segmentu se retira, la cantidad de mas a eliminada es J~f(x) dx; si ]a bam; exactamenre en eJ punto c, no se elimina masa. Se asigna mas a a segmentos de ill:. la barra pero no a puntos individuales.

Ejemplo 4.5

"Intervalo de tiernpo" en el flujo de transito es el tiempo transcurrido entre el ti0!R un carro termina de pasar por un punto fijo y el instante en que el siguiente c;:u 1"1' , a pasar por ese punto. Sea X = el intervalo de tiempo de dos carros consecuti\:l);. nados al azar en una autopista durante un period a de tn'tfico intenso. La siguiclli de densidad de probabilidad de X es en esencia el sugerido en "The Statistical Pro, Freeway Traffic" (Transp. Res. vol. II: 221-228): f(x)
=

{0.15e-O.15(X-0.5)

x 2: 0.5 . de 10 contrano

La gn'itica de f(x) se da en la figura 4.4; no hay ninguna densidad asocia,L; ,. valos de tiempo de menos de 0.5 y Ia densidad del intervalo decrece con rapidcl >c cial) a medida que.r se incrementa a partir de 0.5. Claramente,f(x) 2: 0; para dCfI'l)-' I~" f(x) dx: = I. se utiliza el resultado obtenido con calculo integral I; e-kr dx Entonces

('0
J~

f(x)

dx =

Icxo 0.15e-O.15(x-O.S)
m

dx = 0.lSeO.07S

Jm

f'"

e,OISr <1.\

= 0.ISe0075
!(x)t
0.15

__ I e-(O.15)(0.5)

O.IS

1 i,
I

I
.......--....-

I I I I I

,.
I I I I
1

I I
0

I I I I I

t 0.5

La probabilidad de que el intervalo de tiempo sea cuando mucho de 5 segundos P(X::::: 5)

C'

IS

f(x)

dx

-;<

=
0.5

5
0.5

0.lSe-O.15(x-O.Sldx - __ I e-O.15x

= O.ISeO.O,S

- IS

e-0.15x dx = 0.ISeo.07S

X~S r~n.5

= e0075(_e-0.75
=

+ e-O.075) =
=

0.15 1.078(-0.472 + 0.928)

= 0.4':l1

P(menos de S seg)

P(X

< 5)

A diferencia las distribuciones discretas tales como la binomial, la hipergcl';;' la binomial negativa, la distribuci6n de cualquier variable aleatoria continua d;IJ,i " ral no puede ser clerivada mediante simples argumentos probabilisticos. En camhi,' hacer una selecci6n juiciosa de la funci6n de clensidad de probabilidad basad;1 ('Ii mientos previos y en los datos disponibles. Afortunadamente, existen alguna~; la::' nerales de l'unciones de densidad de probabilidad que se ajustan bien a una ampii:t \ de situaciones experimentales; varias de estas se discuten mas adelantc en cl capi;:,

iderese
to

una

h~II'[a

a a 10 larg"

'.k un

Ex'1ctamente como en el c'1so discreto, a menudo es util pensar en la poblaci6n de interes como compuesta de valores X en lugar de individuos u objetos. La funci6n de densidad de prob'1bilidad es entonces un modelo de la distribuci6n de valores en esta poblaci6n numeric a y con base en este modelo se pueden calcular varias caracterfsticas de la poblaci6n (tal como la media).

est;)

d;,J, por

lias pum\!'. " \ b ia balTa sc os de intely,j"de 1. Sea X la cantidad de tiempo durante 1'1cual un libro puesto en reserva durante dos horas en 1'1biblioteca de una universidad es solicitado en prestamo por un estudiante seleccionado y suponga que X tiene la funci6n de densidad J(x) = 0.5x

l
entre eI final de la hora yel final de la disertaci6n y suponga que la funci6n de densidad de probabilidad de X es f(x) ={kx2 O:=; x:=; 2 de 10 contrario

: el tiempo

,,'ji

qlle

:e carro C0[iH"!Il.o ~cutivos siguientc jcal Propen ,nf

l() de 10 contrario

O:=; x :=; 2

Calcule las siguientes probabilidades: a. P(X:=; I) b. p(0.5 :=; X:=; 1.5) c. P(l.5 < X) 2. Suponga que la temperatura de reacci6n X (en 0c) en cierto proceso qufmico tiene una distribuci6n uniforme con

:ociad'1 con "'krapidez (CXP':1l'D Ira demostr,u' que :x dx = (!!t.\

A=-5yB=5.
a. Calcule P(X < 0). b. Calcule P(-2.5 < X < 2.5). c. Calcule P(-2 :=; X :=; 3). d. Para que k satisfaga - 5 < k P(k < X < k + 4).

a. Detemline el valor de k y trace la curva de densidad correspondiente. [Sugerencia: EI area total bajo la gnifica de fix) es I.] b. i,Cual es la probabilidad de que la disertaci6n termine dentro de un minuto del final de la hora? c. i,Cmil es la probabilidad de que la disertaci6n continue despues de la hora durante entre 60 y 90 segundos. d. i,Cuai es la probabilidad de que la disertaci6n continue durante por 10 menos 90 segundos despues del final de la hora? 6. EI peso de lectura real de una pastilla de estereo ajustado a 3 gramos en un tocadiscos particular puede ser considerado como una variable aleatoria continua X con funci6n de densidad de probabilidad
J(x) = {k[l

<

k + 4

<

5, calcule

3. EI error implicado al hacer una medici6n es una variable aleatoria continua X con funci6n de densidad de probabilidad f(x') = fO.09375(4 - x2) . 0 \ de 10 contr'1rio a. b. c. d. -2:=; x:=; 2

- (x - 3)2]

2 s:; x:=; 4 de 10 contrario

Bosqueje la gnifica de f(x). Calcule P(X > 0). Calcule P(-I < X < I). Calcule P(X < -0.5 0 X > 0.5).

4. Sea X el esfuerzo vibratorio (Ib/pulg2) en el aspa de una turbina de viento a una velocidad del viento particular en un tunel aerodim'imico. EI articulo "Blade Fatigue Life Assessment with Application to VAWTS" (1. Solar Energy Engr. 1982: 107-111) propone la distribuci6n Rayleigh, con funci6n de densidad de probabilidad
f(x:

a. Trace la grafica de fix). b. Determine el valor de k. c. i,Cual es la probabilidad de que el peso real de Iectura sea mayor que el peso prescrito? d. i,Cual es la probabilidad de que el peso real de Iectura este dentro de 0.25 gramos del peso prescrito? e. i,Cwil es la probabilidad de que el peso real difiera del peso prescrito por mas de 0.5 gramos? 7. Se cree que el tiempo X (min) para que un ayudante de laboratorio prepare el equipo para cierto experimento tiene una distribuci6n uniforme con A = 25 y B = 35. a. Determine la funci6n de densidad de probabilidad de X y trace Lacurva de densidad de correspondiente. b. i,Cual es la probabilidad de que el tiempo de preparacion exceda de 33 min? c. i,Cual es la probabilidad de que el tiempo de preparacion este dentro de dos min del tiempo medio? [Sugerenciu: ldentifique J.l. en la grafica defix).] d. Con cualquier a de modo que 25 < a < a + 2 < 35, i,cual es la probabilidad de que el tiempo de preparacion este entre {/ y a + 2 min? 8. Para ir al trabajo, primero tengo que tomar un cami6n cerca de mi casa y luego tomar un segundo cami6n. Si el tiempo de espera (en minutos) en cada parada tiene una distribucion uniforme con A = 0 y B = 5, entonces se puede demostrar que el tiempo de espera total Y tiene la funci6n de densidad de probabilidad

8)

=J ;2

eo' _,'112.')

>0

de 10 contrario

1.5

1.491

ipergeometri,',\ y la dad a en g,:I1(:cambio. Sf dcbc lsada en ':"1\,':.imas f'1m iI EI~ "camplia va!j,',Lid el capituh ,

como modelo de la distribuci6n X. a. Verifique que j(x; 8) es una funci6n de densidad de probabilidad leg(tima. b. Suponga que 8 = 100 (un valor sugerido por una gnifica en el articulo). i,Cwil es la probabilidad de que Xes cuando mucho de 200'1 i,Menos de 200'1 i,Por 10 menos de 200'1 c: i,Cual es la probabilidad de que X este entre 100 y 200 (de nuevo con 8 = 100)? d. De una expresi6n para P(X s:; x). S. Un profesor universitario nunca termina su disertaci6n antes del final de la hora y siempre tennina dentro de 2 minutos despues de la hora. Sea X = el tiempo que transcurre

~k

' fey)
=

215Y

O~y<5 5 ~."~ y<Oov_'> 10 10

3- _ ...l- y
{ 5 25

a. Cuando mucho de seis segundos? b. De mas de seis segundos? i,Por 10 menos de seis segundos1 c. De entre cinco y seis segundos? Una familia de funeionesde densidad de probabilidau que ha sido utilizada para aproximar la distribueion def ingreso. el tamano de la poblaei6n de una eilldad y el taman" .Ie fir. mas es la familia Pareto, La familia tiene dos par~illll:lros, ~ k Y 8, ambos> 0 y la funei6n de densidad de probabliidau es

a. Trace la grafica de la fUlIcilin tie Jensidad de probabilidad de Y. . b. Verifique que fey) dy = I.

j:~

c. i,CUlii es la probabilidad de que e! tiempo de cspera total sea cuando mucho de tres minlllos'! d. i,CUlii es la probabilidad de que el tiempo de espera total sea cuando mueho de oeho minlltos? e. i,Cual es la probabilidad de que el tiempo de espera total este entre tres y oeho minutos? f. i,Cual es la probabilidad de que cI tiempo de espera total sea de menos de 2 minutos 0 de mas de 6 minutos? 9. Considere de nuevo la funci6n de densidad de probabilidad de X = intervalo de tiempo dado en eJ ejemplo 4.5. i,Cual es la probabilidad de que el intervalo de tiempo sea

Jk.(Jk f(x; k, 8) =

X~+I

t
~.

~ r ,
~.

a. Trace la grlitica def(x; k, 8). , b. Veritique que el area total bajo la gratica es igll<ii J I. ~ ~. c. Si la variable aleatoria X tiene una funcion de den.,idad " de probabilidadj\x; k, 8), can cualquier b > O. "bknga una ex presion para P(X ~ b). d. Con 8 < a < b, obtenga una expresi6n para la prnbabi. lidad Pea ~ X ~ b).

1$~,~:i;'F.unciones de distribuci6n acumulativa .f~Ycvalor_e_s_e_sp_e_ra_d_o_s

-----J
._. ... _

Varios de los mas importantes conceptos introducidos en el estudio de distribuciones di~cretas tambien desempefian un importante papel en las distribuciones continuas. Definic:ones amilogas a las del capitulo 3 implican reemplazar la suma por integracion,

La fllnCl\~!n Je distribucion aClIlTIulativa F(x) de una variable alcatoria discreta X da, con l:u:i!quler nurnero especificado x, la'probabilidad P(X :$ x), Se obtiene sumando la funci6n masa de probabilidacl p(y) a 10largo de todos 10s valores posibles y que satisfacen y :$ x. La funci6n de distribuci6n aClImulativa de una variable aleatoria continua da las mismas probabilidades P(X ~ x) y se obtiene integrando la funcion de densidad de probabilidadj(y) entre los Hmites --% y x. La funcion de distribucion acumulativa define para todo numero x como
F(x) F(x) de una variable aleatoria continua ,Y

sel

P(X

:$

x)

r~f(Y)

dy.o

J
,'11 .

Con cada x, F(x} es el area bajo la curva de dcnsidad a la izquicrda de x. Esto se iluslJa ~_fig~'~_4.5, donde F(x) se i~crementa conregularidad a medida que x se incrementa
f(x)

!
F(8i

F(x)

I F(8)-

r
. 5

-----1
.
I

0.5
;

x
10

~/
t
8

. X

10

e probabiii,(:,j qUe :lUcioll de! ;'l::rcso, ' y c1lam~u'\", ,ii: tir_ ~ lC dns P'U,l""",'os ~ de problbi';dJd c'; i'

Sea X el espesor de una cierta lamina de metal con distribuci6n uniforme en [A, B). La funci6n de densidad se muestra en la Figura 4.6. Con x < A, F(x) = 0, como no hay area bajo la grafica de la funci6n de densidad a la izquierda de la x. Con x 2: B, F(x) = I, puesto que toda el area esta acumulada a la izquierda de la x. Finalmente con A ::;x ::; B,

F(x) =

fey) dy =
-00

f -f

I .~B-A

dy

= --

l' B-A

v=x

.Y

x-A

y=A

B-A

i t

tica cs igu," :, I. Ilcion de ckn ,;,lad ier b > n, ,,1;i':!J~a

F(x) = {x ~ A
B-A
I buciones tL'creas. Defini',::OfleS

da, COil CU':!<;Ldcr,. i6n masa ,j", ;'roa funci6n d,' ~hIidades f'L\' :c: xl nites --7_ VI

e F(x) para calcular probabilidades


V
La importancia de la funci6n de distribuci6n acumulativa en este caso, 10 mismo que para variables aleatorias discretas, es que las probabilidades de varios intervalos pueden ser calculadas con una f6rmula 0 una tabla de F(x).

Sea X una variable aleatoria continua con funci6n de densidad de probabilidadf(x) funci6n de distribuci6n acumulativa F(x). Entonces con cualquier numero a,

La figura 4.8 ilustra la segunda parte de esta proposici6n; fa probabil idatl d, ' sombreada bajo la curva de densidad entre a y byes igual a la difercnc'. areas sombreadas acumulativas. Esto es diferente de 10 que es apropiado [1;1;.' aleatoria discreta de valor entero (p. ej., binomial 0 Poisson): P(a :S X::S b) = fi cuando a y b son enteros.

// -----

I I, II
I

Suponga que la funci6n de densidad de probabilidad de la magnitud X de ca sobre un puente (en newtons) esta dada por
f(x)

llll~;,

= {8

1 + 1. x
8 0

O::s x ::s 2

I
i
\
F(x)

de 10 contrario

= fx
-00

f(y) dy

= fX(1 -8 + -8 Y
()

3)

x 3, dY=-+-x'
8 16

1
F(x)

x<O
xl O::s x :S 2

= -x + - 3
{ 8

16 1

<x

Las graficas deflx) y F(x) se muestran en la figura 4.9. La probabilidad Ik ,',' entre 1 y 1.5 es
PO ::s X::S 1.5)

F( 1.5) - F(l)

= [1 (1.5) +2. (1.W] 8 16 = ..!2. =


64

- [1 (l) +2. (1)2'1


8 16' J

0.297

P(X>

1)

= =

1 - P(X:S

1)

1 - F(l)

I -

I - (1) [8

+ -,

3,'

16

(1)2

[ ,I

II =
16

0.688
F(x)

deseada .
I

C'.

nCIa entre

!as do,

ei are',

Una vez que se obtiene la funci6n de distribuci6n acumulativa, cualquier probabilidad que implique Xes facil de calcular sin cualquier integraci6n adicional.

= F(b)

para una vHriable'


-- I"u ._\

Obtencion de f(x) a partir de F(x)


Para X discreta, la funci6n masa de probabilidad se obtiene a partir de la funci6n de distribuci6n acumuIativa considerando la diferencia entre dos valores F(x). EI ana logo continuo de una diferencia es una derivada. EI siguiente resultado es una consecuencia del teorema fundamental del calcuIo.

Si X es una variable aleatoria continua con funci6n de densidad de probabilidad j(x) y funci6n de distribuci6n acumulativa F(x), entonces con cada x hace posible que la derivada F (x) exista, F' (x) = f(x).

Ejemplo 4.8
(continuaci6n del ejemplo 4.6)

Cuando X tiene una distribuci6n uniforme, F(x) es derivable excepto con x = A Yx = B, donde Ia grafica de F(x) tiene esquinas afiladas. Como F(x) = 0 con x < A Y F(x) = 1 con x > B. F(x) = 0 = j(x) con dicha x. Con A < x < B,
F'(x) =.~(x -

dx B-A

A) == _1_ B-A

= f(x)

Cuando se dice que la caliticaci6n de un individuo en una prueba fue el 85 percentil de la poblaci6n, significa que 85% de todas las calificaciones de la poblaci6n estuvieron pOI' debajo de dicha calificaci6n y que 15% estuvo arriba. Asimismo, el 40 percentil es la calificaci6n que sobrepasa 40% de todas las calificaciones y que es superada par 60% de todas las caliticaciones.

Sea pun numero entere 0 y I. EI (lOOp)O percentil de Ia distribuci6n de una variable aleatoria continua X, denotada pOI' T/(P), se define como P

F(T/(p))

= J~

1)(P)

fey) dy

De acuerdo con la expresi6n (4.2), T/(p) es ese valor sobre eI eje de medici6n de tal suerte que ellOOp% del area bajo la gnifica dej(x) queda a la izquierda de T/(P) y 100(1 - p)% queda a la derecha. POl'10 tanto, 71(0.75), el 75 percentil, es tal que el area bajo la grafica de j(x) ala izquierda de 71(0.75) es 0.75. La figura 4.10 ilustra la definici6n.

F(x)

Area sombreada = P P = F(T/(p))

~---

--------~~
/'

/1

:
I I I

l~
."

Ejemplo 4.9

La distribuci6n de la cantidad de grava (en toneladas) vendida por una compania de mate. riales para la construcci6n particular en una semana dada es una variable aleatoria COntin\li X con funci6n de densidad de probabilidad

f(x)

={2

1. (1

- x2)

de 10 contrario

La funci6n de distribuci6n acumulativa de las ventas para cualquier x entre 0 y I es


F(x) =

IX 1. (l
02

- yZ)

dy = 1. (y _ y3) I
2 3

y=x

1. (x
2

3 _ X)

y=o

Las gnificas tanto def(x) como de F(x) aparecen en la figura 4.11. El (lOOp)O perccntil de esta distribuci6n satisface la ecuaci6n
P

F(1](p

% [1](P)

(1]~W]

Para el 50 percentil, P = 0.5 y la ecuaci6n que se tiene que resolver es 1]3 - 3TI + I == 0: la soluci6n es 1] = 1](0.5) = 0.347. Si la distribuci6n no cambia de una semana a Olra, en tonces ala larga 50% de todas las semanas se realizanin ventas de menos de 0.347 ton y 50% de mas de 0.347 ton.
F(x) t

La mediana de una distribuci6n continua, denotada por jl, es el 50 percentil, aSi~Lj'e jl satisface 0.5 = F(jl). Es decir, la mitad del area bajo la curva de densidad se encuentra a la izquierda de jl y la mitad a la derecha de jl .

,
.

Una distribuci6n continua cuya funci6n de densidad de probabilidad es simetrica. 10 cual significa que la gnifica a la izquierda de un punto en particular es una imagen a espej<) de la grafica a la derecha de dicho punto, tiene una mediana jl igual al punto de simetrl:1. puesto que la mitad del area bajo la curva queda a uno u otro lado de este punta. La figura -'I 12 oa varios ejemplos. A menudo se supone que el error en la medici6n de una cantidad ffsica tiene una distribuci6n simetrica.

ompuilfa aJeatoria

u,
I:"',

. 'J1e. '
.

!nu~.

Valores esperados
Para una variable aleatoria discreta X, E(X) se obtuvo sumando x . p(x) a 10 largo de posibles valores de X. Aquf se reemplaza la suma con la integraci6n y la funci6n masa de probabilidad por la funci6n de densidad de probabilidad para obtener un promedio ponderado continuo.

El valor esperado 0 valor medio de una variable aleatoria continua X con funci6n de densidad de probabilidadfix) es
ILx

E(X)

roo x . f(x)

dx

Ejemplo 4.10
(continuaci6n del ejemplo 4.9)

j(x)

.' {1.
=

(l - x2)

0:5

:5 I

o
;:mana a V; lS dl~O.3-\"
, "il'
:j \

de 10 contrario

Cuando la funci6n de densidad de probabilidadftx) especifica un modelo para la distribuci6n de valores en una poblaci6n numeric a, entonces IL es la media de la poblaci6n, la cual es la medida mas frecuentemente utilizada de la ubicaci6n 0 centro de la poblaci6n. Con frecuencia se desea calcular el valor esperado de alguna funci6n heX) de la variable aleatoria X. Si se piensa en heX) como una nueva variable aleatoria Y, se utilizan tecnicas de estadfstica matematica para derivar la funci6n de densidad de probabilidad de Y y E(Y) se calcula a partir de la definici6n. Afortunadamente, como en el caso discreto, existe una forma mas facil de calcular E[h(X)].

Si X es una variable aleatoria continua con funci6n de densidad de probabilidadf(x) y heX) es cualquier funci6n de X, entonces en <1. c::;pej" simelrf,l, i ,a tigura 1 E[h(X)]

= ILh(X) =

f:

hex) . f(x) dx

Ejemplo 4.11

Dos especies compiten en una regi6n par el control de una cantidad limitada de un cierto recurso. Sea X = la proporci6n del recurso controlado par la especie 1 y suponga que la funci6n de densidad de probabilidad de X es
O:5x:5l f(x)
= {~

de 10 contrario

la clial es una distribuci6n unifoffile en [0, I]. (En su Iibro Ecological Diversity, E. C. Pielou llama a esto el modelo del "palo roto" para la asignaci6n de recursos, puesto que es analogo

a la ruptura de un palo en un lugar seleeeionado al azaL) Entonees la mayor parte de este reeurso eontrola la eantidad

la especie

tJU('

heX) = max(X, I - X) =

p-x lx
x

,...
~I

\'! \' i

si O:s X si

<l

h. Sl Jl

2
I

l:s X::s
2

La cantidad

esperada E[h(X)]

eontrolada
= =

por la espeeie

que controla
=

la mayor parte es ,,'nl'

f"

max(x,

I - x) . f(x) dx

fl

max(x,

fll2
I)

(I - x) . I dx

fl

1 - x) . I dx

1 dx

= 1.
4

112

En el caso disereto, la varianza de X se defini6 como la desviaci6n al cuadrado esp respecto a J.L y se calcul6 por medio de sumac En este easo de nuevo la integraci6n za a la sumac

La varianza de una variable aleatoria bilidadfix) y valor medio J.L es'"

continua

X can funei6n

de densidacl

de

ul

= VeX)

roo (x -

J.L)2 f(x)
Ux =

dx = E[(X

- J.L)2]

La desviacion estandar

(DE) de X es

VV(X).

La varianza y la desviaei6n estandar dan medidas euantitativas de euanta clispCi en la clistribuei6n 0 poblaei6n de valores X. La forma mas faeil de ealcular (J' es i.d f6rmula abreviada.

PROPOSICI6N

L
E(X2)

2 V_(X_)_=_E_(X_ )_-_[E_(_X_)]_"

d.

;h

"j :.."~
C.

Ejemplo 4,12
(continuaci6n . del ejemplo 4.10)
=

C
qu.
: ~iT {

= fX
--"

x2 f(x) dx 3
0

fl

x2

.1. (l
2

lt Ii

- x2) dx

li~ln '-, I I (1;)


7 .~

I)

l
I)

2(x~ - x

dx =

h\\.Hl
(l.

If

VeX)

l - (1.)2
5 8

= ~

320

0.059

(J

x = 0.244las
1)1

h,

Cuando heX) = aX + b, el valor esperado piedades que en el easo disereto: E[h(X)]

y la varianza de heX) satisfaeen = aJ.L + by V[h(X)] = a2 u2.

I'"
C.
".

d:.!

d.

i ,j

dl

15. Sed
\..':,:(,1,

11. La fund6n .de distribuci6n acumulativa del tiempo de prestamo X como se describe en el ejercicio I es
X

<0
0:$ x < 2 2:$x

F(x)

=
{

'4
I

x2

Use esta para calcular 10 siguiente: a, P(X:$ 1) b. P(O.S :$ X:$ I) c. P(X> 0.5) d. EI tiempo de prestamo media jl [resolver I!. e. F(x) para obtener la funci6n de densidad/(t)

j;;,

1""',1'

f. g.

E(X). V(X)ylTx

h. Si aI prestatario se Ie cobra una cantiJad heX) = X2cuando el tiempo de prestamo es X, calcule el cobro esperado
E[h(x)].

12.

La funci6n de distribuci6n

acumulativa de X (= error de

b. i,Cual es P(X s 0.5) res decir, F(05)]? c. Con la funci6n de distribuci6n acumulativa de (a), i,cual es P(0.25 < X s 0.5)? i,Cual es P(0.25 s X s 0.5)? d. i,Cual es el 75 percentil de la distribuci6n? e. Calcule E(X) y (7' X. f. i,Cual es la probabilidad de que X este a mas de una desviaci6n estandar de su valor medio? Responda los incisos a)-t) del ejercicio 15 con X = tiempo de disertaci6n despues de la hora dado en el ejercicio 5. Si a. b. c. la distribuci6n de X en el intervalo [A, Bj es uniforrne. Obtenga una expresi6n para el (IOOp)Opercentil. Calcule E(X), VeX) y IT x' Con II, un entero positivo, calcule E(X").

mOOi"6:(::I~J{':i:O : '(:x _ ~) ~: ~: 2
2 I a. b. c. d. 32 3 2
Sx

-ado esper.!.::: lon :graci6n 1 \:'_'1!pb.

Calcule P(X < 0). Calcule P( - I < X < 1). Calcule P(0.5 < X). Verifique que .f(x) esta dada en el ejercicio 3 obteniendo
F'(x).

e. Verifique que

p.. =

O.

13. EI ejemplo 4.5 introdujo el concepto de intervalode tiempo en el f1ujo de transito y propuso una distribuci6n particular para X = el intervalo de tiempo entre dos carros consecutivos seleccionados al azar (s). Suponga que en un eotomo de lransito diferente, la distribuci6n del intervalo de tie11)po tiene la fonna k - t> I f(x) = x4 {

Sea X el voltaje a la salida de un micr6fono y suponga que X tiene una distribuci6n uniforrne en el intervalo de - I a I. EI voltaje es procesado por un "Iimitador duro" con val ores de corte de -0.5 y 0.5, de modo que la salida del limitador es una variable aleatoria Y relacionada con X por Y = X si IXI s 0.5, Y = 0.5 si X > 5 y Y = -0.5 si X < -0.5. a. i,Cual es P(Y = 0.5)? b. Obtenga la funci6n de distribuci6n acumulativa de Y y dibujela. Sea X una variable aleatoria continua con funci6n de distribuci6n acumulativa

xS) F(x)

a disper\i.)11 !Ia\ (7'2 es utilin'una

a. Determine el valor de k con el cuaI.f(x) es una funci6n de densidad de probabilidad legitima. b. Obtenga la funci6n de distribuci6n acumulativa. c. Use la funci6n de distribuci6n acumulativa de (b) para determinar la probabilidad de que el intervalo de tiempo exceda de 2 segundos y tambien la probabilidad de que el intervale este entre 2 y 3 segundos. d. Obtenga un valor medio del intervalo de tiempo y su desviaci6n estandar. e. i,Cual es la probabilidad de que el intervalo de tiempo quede dentro de una desviaci6n estandar del valor medio? 14. EI artfculo "Modeling Sediment and Water Column Interactions for Hidrophobic Pollutants" (Water Research, 1984: 1169-1174) sugiere la distribuci6n uniforme en el intervale 7.5, 20) como modele de profundidad (em) de la capa de bioturbaci6n en sedimento en una regi6n. a. i,Cuales son la media y la varianza de la profundidad? b..:i,Cual es la funci6n de distribuci6n acumulativa de la profundidad? c. i,Cual es la probabilidad de que la profundidad observada sea cuando mucho de IO? i,Entre 10 y IS? d. i,Cual es la probabilidad de que la profundidad observada este dentro de una desviaci6n estandar del valor medio? i,Dentro de dos desviaciones estandar? 15. Sea X la cantidad de espacio ocupado por un articulo colocado en un contenedor de un pie] La funci6n de densidad de probabilidad de X es
f(x)

={* [1:1In(~)] :::",


x>4

[Este tipo de funci6n de distribuci6n aeumulativa es sugerido en el articulo "Variabilitiy in Measured Bedload-Transport Rates" (Water Resources Bull., 1985: 39-48) como modelo de eierta variable hidroI6gica.] Determinar: a. P(X::; I) b. P(I s X s 3) c. La funci6n de densidad de probabilidad de X Considere la funci6n de densidad de probabilidad del tiempo de espera total Y de dos camiones 215Y f(y)

{5

l_ -l.. y
25

5 s Y s 10

o
introducida en el ejercicio 8. a. Calcule y trace la funci6n de distribuci6n acumulativa de Y. [Sugerencia: Considere por separado 0 s y < 5 y 5 S Y S 10 al calcular F(y). Una graficade la funci6n de densidad de probabilidad debe ser uti!.] b. Obtenga una expresi6n para el (lOOp)O percentil. [Sugerencia: Considere par separado 0 < p < 0.5 y 0.5 < p < I.j c. Calcule E(Y) y V(Y). i,C6mo se comparan estos valores con el tiempo de espera probable y la varianza de un solo cami6n euando el tiempo esta uniformemente distribuido en [0, 5j? 21. Un ec610go desea marcar una regi6n de muestreo circular de 10 m de radio. Sin embargo, el radio de la regi6n resultante en realidad es una variable aleatoria R con funci6n de densidad de probabilidad

----_

.. _ ...--!

f 90x\ I - x) 0 < x < I = LOde 10 contrario

Iver 0.5 = i i-' iI


ad./(x)

J,...,

a. Dibuje la funci6n de densidad de probabilidad. Luego obtenga la funci-6n de distribuci6n acumulativa de X y

diM;",

L~(l - (10 - 1')2] fer) = ~ 4 lOde

9;:;,.;:; II 10 contrario

LCual es el area esperada de la region circular resultante? 22. La demanda semanal de gas propano (en miles de galones) de una instalacion particular es una variable aleatoria X con funci6n de densidad de probabilidad

a. Si la mediana de la ~istribucion Xes jl: ,dcmucstre ~ 1.8jl + 32 es la medlana de la dlstnbuclOl1 Y. b. LComo esta relacionado el 90 percentil Jc la diMrib. cion Y con el 90Q de la distribucion X? Veritiquc su c~ jetura. c. Mas general mente, si Y = IX + h, Lcomo C';13 relacir, nado cualquier percentil de la distribuci6n Y C( III el Jler. centil correspondiente de la distribucion Xi 26. Sea X los gastos medicos totales (en mi les de d(llares)~ curridos por un individuo particular durante un ano da&! Aunque X es una variable aleatoria discreta. suponga qll su distribucion es bastante bien aproximada pur una dis\!i. buci6n continua con funcion de densidad de probabili~ fix) = k(l + xl2.5)-7 con x ~ O. a. iCual es el valor de k? b. Dibuje la funci6n de densidad de probabilidacl de X. c. LCmiles son el valor esperado y la desviaci0n estanda de los gastos medicos totales? d. Un individuo esta cubierto por un plan de ascguramienm . que Ie impone una provision deducible de S500 (aslqll los primeros $500 de gastos son pagados por el individuo) Luego el plan pagani 80% de cualquier gasto adicionalqll exceda de $500 y el pago maximo por parte del individoo (incluida la cantidad deducible) es de $2500. Sea ria C3lf tidad de gastos medicos de este individuo pagaclos porb compania de seguros. LCual es el valor esperado de r. [Sugerencia: Primero indague que valor de X correspoo. . de al gasto maximo que sale del bolsillo de $2500. Lue., go escriba una expresi6n para Y como una funcicin deX. (la cual implique varios precios diferentes) y caiculed. valor esperado de la funci6n.)

f(x)

j(

l 2 I - -:;-) I;:;
x-

X ;:;

de 10 contrario

a. Ca1cule la funci6n de distribuci6n acumulativa de X. b. Obtenga una expresi6n para el (IOOp)OpercentiL LCual es el valor de jl? c. Calcule E(X) y VeX). d. Si 1500 galones estan en existencia al principio de la semana y no se espera ningun nuevo suministro durante la semana, Lcuantos de los 1500 galones se espera que queden al final de la semana? ISugerencia: Sea hex) = cantidad que queda cuando la demanda es x.) 23. Si la temperatura a la cual cierto compuesto se funde es una variable aleatoria con valor medio de 120C y desviacion est:indar de 2C, Lcuales son la temperatura media y la desviacion est:indar medidas en OF? [Sugerencia: OF = 1.8C + 32.] 24. La funcion de densidad de probabilidad de Pareto de X es

f(x; k, 0) =

r~~ l
x~+ I

I
;1

introducida en el ejercicio 10. a. Si k > I, calcule E(X). b. iQue se puede decir sobre E(X) si J.: = I? l. c. Si k > 2, demuestre que VeX) = kfj2(k - 1)-2(k d. Si k = 2, Lque se puede decir sobre VeX)? e. LQUe condiciones en cuanto a k son necesarias para garantizar que E(X") es finito?

2r

25.

Sea X la temperatura en C a la cual ocurre una reaccion qUImica y sea Y la temperatura en OF(as 1 que Y = 1.8X + 32).

27. Cuando se lanza un dardo a un blanco circular. considereb i ubicacion del punto de aterrizaje respecto al cenlro. SeaX el angulo en grados medido con respecto a la horizontal_ y suponga que X esta uniformemente distribuida en 10. 360} Defina Y como la variable transformada Y = iIIX) = (2'IT/360)X - 'IT,por 10 tanto, Yes el angulo medido en fadiancs y Yesta entre -'IT y 'IT.Obtenga E(Y) y (rr obtcniendo primero E(X) y ax y luego utilizando el hechodc que h(XI es una funci6n lineal de X.

-----' I
La disuibucion nomlal es la mas importante en toda la probabilidad y estadfstica. Muchas ~ blaciones numericas tienen distribuciones que pueden ser representadas muy tiel mente per una curva normal apropiada. Los ejemplos incluyen estaturas, pesos y otras caracterfsticas fi sicas (el famoso articulo Biometrica 1903 "On the Laws of Inheritance in Man" discuti6 mu' chos ejemplos de esta clase), errores de medicion en experimentos cientfficos, mediciones antropometricas en fosiles, tiempos de reaccion en experimentos psicologicos, mediciones de inteligencia y aptitud, calificaciones en varios examenes y numerosas medidas e indicadores economicos. Incluso cuando la distribucion subyacente es discreta, la curva normal a menu' do da una excelente aproximacion. Ademas, aun cuando Ias variables individuales no esten

! X es jl. <k-,i",,"tre . listribllc;ju } q~

percenti I ,k

1,:

'.ii\trib

on X? Vail,.:,!,'
. b, i,C6fli' stribuci6n :ibllci6n X'
. <C' j
"il

'u c ' .
'Z

normalmente distribuidas, las sumas y promedios de las variables en condiciones adecuadas tendran de manera aproximada una distribuci6n normal; estc cs el contenido del Teorema del Limite Central discutido en el siguiente capitulo.

rda(i<. 01 .' , pc

:n mi les ,I<: .~.":cireSj il.


I' I

Se dice que una variable alcatoria continua X tiene una distribucion normal con parametros J1. Y (T (0 J1. Y al"~ donde -et:; < J1. < 00 Y a > 0, si la fllnci6n de densidad de probabilidad de X es

durante

"1.

,iH. da~ :

discreta. "'1'" mga qil: . )ximada pl" tin,t dislrl, nsidad de pi di,ahilid.1

,.~ t
~

L___

f(X;.~~:_o-.- __ v_!2_1_7T_(T_e_ ..-_ i_ X-_IJ._)_'I_I_2'_~

'_'J __

.....r_w __<_x_<_CC

( 4_._3_)--..J

: probabilid;;d Ia desviac'i,":,

d~ X. ~

t\tanli:i

plan de a\C~:li ,:lI1ien!, ~ lcible de S~\!(: Ia" q~f .gados por c! IraliliJuv. ~
uier gast<. adklOIlJ! qL,

t t

'!Idividw ~ S,e;, f I:i can.~ dividuo paf'I.Kh,., porlJ talor esperacl,, ii,' f'! : valor f . de X "il'!espon , 10I slllo ue $~)!i(, Lue. [ omo una rUI~c!."n de.1~
l~l"

pOl' parte

de $2500.

liferentes)

} '_'cliculee:

) circular. c,>!,'.idere b pecto al Cl:,','" Sea \ ;peeto a i:J '1;j11/<l!11~. :Iistribllida C'li If). 360J i rmada l' 1;1.'<1 ' , angulo n1~~'d~ .. it en fa.
I

De nuevo e denota la base del sistema de logaritmos naturales yes aproximadamente igual a 2.71828 Y 7T representa la conocida constante matemarica con un valor aproximado de 3.14159. El enunciado de que X esta normalmente distribuida can los parametros J1. y (T2 a menudo se abrevia como X ~ N(J1., (T2). Claramente fix; J-L, (T) ~ 0 aunqlle se tiene que utilizar un argumento de calculo un tanto complicado para veriJicar que f(x; J-L, a) dx = I. Se puede demostrar que E(X) = J1. Y VeX) = a2, de modo que los parametros son la media y la desviaci6n estandar de X. La figura 4.13 representa gniticas de fix; J-L, (T) de varios pares diferentes (J-L, o) Carla curva de densidad es simetrica con respecto a J-L y acarnpanada, de modo que el centro de la campana (punto de simetrfa) es tanto la media de la distribucion como la mediana. EI valor de (T es la distancia desde J-L hasta los puntas de inflexi6n de la curva (los puntos donde la curva cambia de viral' hacia abajo a virar hacia arriba). Los grandes val ores de (J" producen graficas que estan bastante extendidas en tomo a J-L, en tanto que los valores pequefios de if dan gnificas con una alta cresta sobre J-L y la mayor parte del area bajo de la gnifica bastante cerca de J-L. As! pues, una (T grande implica que se puede observar muy bien un valor de X alejado de J-L, en tanto que dicho valor es bastante improbable cuando (T es pequefia.

r:

j
/
'-/'

f~ i\
1 \~
1

I E( Y) Y

(1',.

i!lllc'liiond, ~
lk yllt'

el hecho

hl.l' ~

----_. ---!l
d!stica. tv!l.i<:ha\ pO' i muy fielmcntc pol ~ lS caracterf\ti~'as fi t
Man" discmi,) rnu

Para calcular Pea :S X se de be detenninar

:S b)

cllando X es una variable aleatoria nonnal con parametros

J-L

y (T,

tfticos, mcdicioncs icos. medic!oucs de ~ did~s e indic;[JorcS va normal .1 Illenu, ,

livid""'e.' ""

'L

! I

Ninguna de las tecnicas estandar de integraci6n puede ser utilizada para evaluar la ex presi6n (4.4). En cambio, con J-L = 0 y (T = I, se calcul6 laexpresi6n (4.4) por medio de tecnicas numericas y se tabul6 para ciertos valores de a y b. Esta tabla tambien puede ser utilizada para calclliar probabilidades con cualesquiera atros valores de J1. y a considerados.

La distribucion normal con valores de panimetro J.L = 0 y a = I sc [hliHa dbk' cion normal esmndar. Una variable aleatoria que tiene una distribucion m,rn",' tandar se llama variable aleatoria normal eshindar y se denotara por Z. La f!:~ de densidad de probabilidad de Z es

fez' ."0

I) = --

V21T'

e-z'12

La grafica deftz; 0, I) se llama curva normal estandar (0 z). La funci6n de cb:: cion acumulativa de Z es P(Z :s z) = f~xf(Y; 0, I) dy, la cual sera denolnd,: po:

La distribucion normal estandar no sirve con frecuencia como moJelo d:? u,' cion que surge natural mente. En cambio, es una distribucion de refercneia de L, puede obtener informacion sobre otra distribucion normal. La tabla A.3 del apen " <I>(z) = P(Z ::::.:: z), el area bajo la curva de densidad normal estandar ala iZCJuierdac z = - 3.49, - 3.48, ... , 3.48, 3.49. La figura 4.14 ilustra el tipo de area aCUllluli!;i' baoilidad) tabulada en la tabla A.3. Con esta tabla. varias probabilidadcs qUI~ imr" pueden ser calculadas.

Ejemplo 4.13

Determinense las siguientes probabilidades normales estandar: (a) P(Z 1.25), (c) P(Z:s -1.25) y (d) P( -0.38::::':: Z:S 1.25). a.

I ~)1' "

P(Z::::.:: 1.25) = <1>(1.25), una probabilidad tabulada en la tabla A.3 del :lpclld;(~I: , terseccion de la fila 1.2 y la columna 0.05. EI numero allf es 0.8944, as! que Pi.? = 0.8944. La figura 4.15(a) ilustra esta probabilidad.

I;
"1:
1
'

cur\,'l .. /----..",./
'-/ \ l'-

./ /
_.~

I
-

i,'-....
',,->-.

II
1 -1

o
a)

1.25

o
b)

1.25

1j
;;1

1 1
-l

I
b.
j

~~

c.

P(Z> 1.25) = I - P(Z:s 1.25) = 1 - <1>( 1.25). el area bajo la curva .::a 13 '.;' de 1.25 (un area de cola superior). En ese caso <1>( 1.25) = 0.8944 implica ljll\" 1.25) = 0.1056. Como Z es una variable aleatoria continua, P(Z 2: 1.25) f: Vease la figura 4.15(b). P(Z:s -1.25) = <1>( -1.25), un area de cola inferior. Directamente de b labl<: apendice <1>( -1.25) = 0.1056. Por simetria de la curva z, esta es la misma del inciso b).
C-c

r',

I"'",

d.
1a distrih(:, nOnlla! C'"

P( -0.38

La fune:;

:::;Z:::; 1.25) es el area bajo la curva normal estandar sobre el intervalo euyo punta extrema izquierdo es -0.38 y cuyo punto extremo derecho es 1.25. Segun la seccion 4.2, si X es una variable aleatoria continua can funcion de distribueion acumulativa F(x), entonces Pea :::; X:::; b) = F(b) -- F(a). Por 10 tanto, P( -0.38 :::;Z:::; 1.25) = <P(1.25) - <P(-0.38) = 0.8944 - 0.3520 = 0.5424. (Yease la figura 4.16.)

de distrih;;. ia par It>:

) de un;l p. :'la. a de la qu~ '"


:1 apendic,' da

lierda de . ':,'n lmulatl\':i i ,"[0 lue impliciil Z

Con cualquier p entre 0 y 1, se puede utilizar la tabla A.3 del apendice para obtener el (1OOp)O percentil de la distribucion normal estandar.

Ejemplo 4.14

El 99 percentil de la distribucion normal estandar es el valor sobre el eje horizontal tal que el area bajo la curva z a la izquierda de dicho valor es 0.9900. La tabla A.3 del apendiee da con z fija el area bajo la curva normal estandar a la izquierda de z, mientras que aqu! se tiene el area y se desea el valor de z. Este es problema "inverso" a P(Z :::; z) = ? as! que la tabla se utiliza a la inversa: Encuentre en la mitad de la tabla 0.9900; la fila y la columna en la que se encuentra identificado el 99 percentil z. En este caso 0.9901 queda en la interseecion de la fila 2.3 y la columna 0.03, as! que el 99 percentil es (aproximadamente) z = 2.33. (Vease la figura 4.17). Por simetrfa, el primer percentil esta tan debajo de 0 como el 99 esta sabre 0, as! que es igual a -2.33 (l % queda debajo del primero y tambien sobre el 99). (Yease la figura 4.18.)

curva

;: a la dt'l\:\:ha lica que p( Z >


25) = 0 l;j.:'6

--+1/

/
0

z
Area sombreada

\,

= 0.01

\~

En general, la fila y la columna de la tabla A.3 del apendice, donde el ingr~', localizado identifican el (lOOp)O percentil (p. ej., el 67 percentil se ohtienc In, . 0.6700 en el cuerpo de la tabla;la cual da Z = 0.44). Si p no aparece, a menuclo ',e ' numero mas cercano a el, aunque la interpolaci6n lineal da una respuesta m;ls pr,:'. ejemplo, para encontrar el 95 percentil, se busca 0.9500 adentro de la tabla. Aunqd no aparece, tanto 0.9495 como 0.9505 sf, correspondientes a z = 1.64 Y 1.65, r,' , mente. Como 0.9500 esta a la mitad entre las dos probabilidades que sf aparecen. "'. ni 1.645 como el 95 percentil y - 1.645 como el 5 percentil.

'r

Notacion

Za
7. que C!pr.1i' .

En inferencia estadfstica, se necesitan valores sobre el eje horizontal areas de cola pequefia bajo la curva normal estandar.

Za denotara el valor sabre el eje z para el cual recha de za' (Yease la figura 4.19.)

0'

del area bajo la curva z quecb

J ;.

Par ejemplo,

Zo.1O

om.

captura el area de cola superior 0.10 Y

Zo.OI

captura el area de

L',)h!

'

"

Como 0' del area bajo la curva Z queda a la derecha de Za' I - 0' del iirea (j'l' . izquierda. POl' 10 tanto, za es eL 1000 - 0')0 percentiL de La distribucion norma! /. Par simetrfa el area bajo la curva normal estandar a la izquierda de - za tambj.;n t': . valores za en general se conocen como valores criticos z. La tabla 4.1 incluye lu~ i".. les Z y los valores za mas utiles.

Percentil a (area de cola) za = 100(1 - a)" percentil

90
0.1

1.28

95 0.05 1.645

97.5 0.025 1.96

99 0.01 2.33

99.5 0.005 2.58

99.9 0.001 3.08

q~) .t; .";


(J.ijliU

:; .. '~.'
'~

Ejemplo 4.15

Zo.os Zoos

es el J OO(l - 0.05)0 = 9SOpercentil de la distribuci6n normal estanclar. pur = 1.645. El area bajo la curva normal estandar a la izquierda de - Z005 rambi":;j (Yease la figura 4.20.)

Ingreso! '_.""G:! e local ~/:: 1(10 10 se utili?! e! .s prcClsa <)r

curva z "'.. /_"

Area sombreada = 0.05

\,'
I

\~/

~>,!

Area sombreada

= 0.05

.unque

(i';

''I''

15.

respe ..: ';,J.

Cuando X - N(J.L, <T2), las probabilidades que implican X se calculan "estandarizando". La variable estandarizada es J.L) <T. Al res tar J.L la media cambia de J.L a cero y luego al dividir entre <T cambian las escalas de la variable de modo que la desviaci6n estandar es uno en lugar de <T.

eX -

z=X-J.L
<T

pea

:$ X :$

b)

p( a :
<1>( b :

J.L

:$ Z:$

b : J.L)
J.L)

J.L) _

(p( a :
b)

P(X:$

a)

= <t>( a

J.L)

P(X?:

I-

<t>( h

: J.L )

rea qucd"j ;.i! vomal esui;uid(, . bien es It. Lm


'e los perccnri-

La idea clave de la proposici6n es que estandarizando cualquier probabilidad que implique X puede ser expresada como una probabilidad que implica una variable aleatoria nOffilal estandar Z, de modo que se pueda utilizar la tabla A.3 del apendice. Esto se ilustra en Ia figura 4.21. La proposici6n se comprueba escribiendo la funci6n de distribuci6n acumulativa de Z = (X - J-L)/<T como
P(Z:$ z) = P(X:$ <TZ

J.L) =

r~+I'

f(x;J.L,

a) dx

Utilizando un resultado del calculo, esta integral puede ser derivada con respecto a que de la funci6n de densidad de probabilidad deseada fez; 0, 1).

z para

99.95 0.0005 3.27

Lr. por 10 '1!llD

(x - fJ. )/0-

mbien e~:\ u5

EI tiempo que requiere un conductor para reaccionar alas luces de freno de un \-:d,: .. esti desacelerando es critico para evitar colisiones pOI'alcance. EI articulo "Fa~tl-i; ke Lamp as a Collision-Prevention Device" (Ergonomics, 1993: 391-3<)5), SUgie-i tiempo de reacci6n de respuesta en tnifico a una seoal de freno de luces de frcn\' . puede ser model ado con una distribuci6n normal que tiene un valor medio Je i ::::; viaci6n estandar de 0.46 s. i,Cual es la probabilidad de que el tiempo de reacci6n <". 1.00 s y 1.75 s? Si X de nota el tiempo de reacci6n, entonces estandarizando sc 01,;

1.00 - 1.25 0.46

:5----:5

x-

1.25 0.46

-----

1.75 - 1.25 0.46

P(I 00:5 X:5 I 75)

p(

1.00 - l.25 :5 Z:5 1.75 - 1.25)

OM

OM

= P( -0.54

:5 Z :5 1.09) = <1>( 1.09) -

(J)(

-0.54!

.= 0.8621 - 0.2946 = 0.5675

Esto se ilustra en la figura 4.22. Asimismo, si se yen los 2 s como un tiempo de reae;.j, ticamente largo, la probabilidad de que el tiempo de reacci6n real exceda este va!o; , P(X> 2)

p(z

> 2 - 1.25) = P(Z> 1.63) = 1 - <1>( 1.63) = 0.0516


0.46

Estandarizar no lleva nada mas que a calcular una distancia al valor medio y lucg,) , sarla como algun numero de desviaciones estandar. POI' 10 tanto, si J.t = 100 Y (T ." tonces x = 130 corresponde a z = (130 - 100)/15 = 30/15 = 2.00. Es decir, LiP desviaciones estandar sabre (a la derecha de) el valor media. Asimismo, estandarlz:.l 1 se obtiene (85 - 100)115 = -1.00, pOI'10 tanto, 85 esta a una desviaci6n estandm l' bajo de la media. La tabla z se aplica a cualquier distribuci6n normal siempre que Si se en funci6n del numero de desviaciones estandar de alejamiento del valor medin.
i'

..;

Ejemplo 4.17

Se sabe que el voltaje de ruptura de un diodo seleccionado al azar de un tipo partin'; normalmente distribuido. i,Cual es la probabilidad de que el voltaje de ruptura I.k ~" este dentro de una desviaci6n estandar de su valor medio? Esta pregunta pueue ser i'C"!'

.'

~n vohkul" q~ Fast-RIse Bra_~ ), sugierc que el e freno estandar ~ de 1.25 s y des. ~ , ~ j' lCCIOn est::" entre ! o se obtie!k:

r
I
i
r

da sin conocer J-L 0 if, en tanto se sepa que la distribucion es normal; la respuesta es la misma para cualquier distribucion normal:
P(X esta dentm de I desviacion estandar de su media)

P(J-L (

u :s X :s J-L + u) IL+U-J-L) :s z:s ~---U

=P

J-L-U-J-L ~--~U

f,

= P( -1.00 :s

Z:S l.00) = 0.6826

<1>(1.00)- <1>( -1.00)

La probabilidad de que X este dentm de dos desviaciones estandar es P(-2.00 :s Z:S 2.00) = 0.9544 y dentm de tres desviaciones estandar es P(-3.00 :s Z:S 3.00) = 0.9974. Los resultados del ejemplo 4.17 a menudo se reportan en forma de porcentaje y se les cOlloce como regia empfrica (porque la evidencia empfrica ha demostrado que los histogramas de datos reales con frecuencia pueden ser aproximados por curvas normales).

Si la distribucion de la poblaci6n de una variable es (aproximadamente) entonces 1. Aproximadamente 2. Aproximadamente 3. Aproximadamente

normal,

68% de los valores estan dentro de 1 DE de la media. 95% de los valores estan dentro de 2 DE de la media. 99.7% de los valores estan dentro de 3 DE de la media.

En realidad es inusual observar un valor de una poblacion normal que este mucho mas lejos de 2 desviaciones estandar de J-L. Estos resultados seran importantes en el desarrollo de procedimientos de prueba de hipotesis en capftulos posteriores.

El (lOOp)" percentil de una distribuci6n normal can media J-L y desviacion estandar cr es facil de relacionar con el (lOOp)" percentil de la distribucion normal estandar.

de reaccion eriste valor es

(lOOp)Opercentil de (J-L, cr) normal

+ [ (100p)0 percentil ].
J-L

de normal estandar

( luego recxpreo y u = ] 5. eo:ir, 130 esta a 2 tandarizando 85 :standar por de)re que se pieo. medio. ;) particular esta ura de un diodo de ser respondi-

Otra forma de decir es que si z es el percentil deseado de la distribucion normal estandar, entonces el percentil deseado de la distribucion (J-L, u) normal esta a z desviaciones estandar de J-L.

Ejemplo 4.18

La cantidad de agua destilada despachada por una cierta maquina esta normalmente distribuida con valor medio de 64 oz y desviacion estandar de 0.780z. "Que tamano de contenedor c asegurara que ocurra rebosamiento solo 0.5% del tiempo? Si X denota la cantidad despachada, la condicion deseada es que P(X > c) = 0.005, 0, en forma equivalente, que P(X:S c) = 0.995. Por 10 tanto, c es el 99.5 percentil de la distribucion normal con J.L = 64 y U = 0.78. EI 99.5 percentil de la distribucion normal estandar es de 2.58, por 10 tanto,

Distribuci6n normal y poblaciones discretas


La distribuci6n normal a menudo se utiliza como una aproximaci6n a la distr!buciv' lores en una poblaci6n discreta. En semejantes situaCiones, se debe tener un cuid~!d' cial para asegurarse de que las probabilidades se calculen can predsi6n.

Ejemplo 4.19

.. ",~

Se sabe que el coeftciente intelectual en una poblaci6n particular (medido con lin:: ' estandar) estti mas 0 menos nom1almente distribuido can J1- = 100 y a = 15. I,Ci probabilidad de que un individuo.,seleccionado al azar tenga un CI de pOl' Ie m>::w, Con X = el CI de una persona seleccionada al azar, se desea P(X?: 125). La tc n :"':1: este caso es estanclarizar X 2: 125 como en ejemplos previos. Sin embargo. la di',ll de la poblaci6n de coeftcientes .intelectuales en realidad es discreta, puesto que h" dentes intelectuales son valores enteros. As! que la curva Donnal es una apmXimJi;' histograma de probabilidad discreto como se ilustra en la ftgura 4.24. Los rectangulos del histograma estan centrados en enteros, poria que los (", tes intelectuales de por 10 menos 125 con'esponden a rectangulos que comienzan Ci la zona sombreada en la figura 4.24. POl' 10 tanto, en realidad se desea el area baj" . apt'oximadamente normal a la derecha de 124.5. Si se estandariza este valor se obk' ?: 1.63) = 0.0516, en tanto que si se estandariza 125 se obtiene P(Z 2: 1.67 = nt, diferencia no es grande, pem la respuesta 0.0516 es m;is precisa. Asimisrnu. P(.\ rfa aproximada par el area entre 124.5 y ]25.5, puesto que el area bajo la curV~-l ih bre el valor unico de 125 es cem.

.Hi

I. .!

La correcci6n en cuanto a discrecionalidad de ]a distribuci6n subyacentc en p]o 4.19 a menudo se llama cOl"reccion por continuidad. Es util en la siguicnt(; ~'i de la distribuci6n normal al calculo de probabilidades binomiales.

Aproximaci6n de la distribuci6n binomial


Recuerdese que el valor medio y la desviaci6n estandar de una variable aleatori:~ b X son J1-x = np Y a.\ = \/npq, respectivamente. La figura 4.25 muestra una hiq,<, probabilidad binomial de la clistribuci6n binomial con n = 20, p = 0.6 con ei " 20(0.6) = 12 y a = \/20(0.6)(0.4) = 2.19. Sobre el histograma de prohabilitLd . puso una curva normal con esas J.L y if. Aunque e1 histograma de probabilidad c

Curva nonnal, Ii = 12, (J" = 2.19

ribuci0rj" cuid~l(h,

., ';,'_

Figura 4.25 Histograma de probabilidad binomial para normal sobrepuesta.

n=

20, P

0.6 con curva de aproximaci6n

;on una p, 15. iCU\~'

l'ci jj
'~l

10

melle,

~a tent~H'(:

;-'1:

la dislri'l,.,,,"n
I que los ,"'1, ::Jxjma(i,"",~l

105 coer ~nzan en

oj-

asimetrico (debido a que p - 0.5), la curva normal da una muy buena aproximacion, sabre to do en la parte media de la figura. EI area de cualquier rectangulo (probabilidad de cualquier valor X particular), excepto la de los localizados en las colas extremas, puede ser aproximada con precision mediante el area de la curva normal correspondiente. Por ejemplo, P(X = 10) = B( I0; 20, 0.6) - B(9; 20, 0.6) = 0.117, mientras que el area bajo la curva normal entre 9.5 y 10.5 es P(-1.l4::; Z::; -0.68) = 0.1212. En terrninos generales, en tanto que el histograma de probabilidad binomial no sea demasiado asimetrico, las probabilidades binomiales pueden ser aproximadas muy bien por areas de curva normal. Se acostumbra entonces decir que X tiene aproximadamente una distribucion normal.

~abajo }+J se obtil:n, 7 = a.or I\,'I, ,;

"

.j

Y'!!.

,J
;:..

lr\':1

nonr

"

Sea X una variable aleatoria normal basada en II ensayos con probabilidad de exito p. Luego si el histograma de probabilidad binomial no es demasiado asimetrico, X tiene aproximadamente una distribucion normal con J.L = np y u = En particular, con x = un valor po sible de X,

vnpq.

P(X::; x)

B(x; n, p) = ( ala izquierda de x


=

area bajo la curva nOrmal) + 0.5

<t>(X +

Vnpq

~np)

En la practica, la aproximacion es adecuada siempre que tanto np 2: 10 como nq 2: 10, puesto que en ese caso existe bastante simetria en la distribuci6n binomial subyacente.
:nle en d iente apL.:'

,,'1
Una comprobaci6n directa de este resultado es bastante dificil. En el siguiente capitulo se vera que es una consecuencia de un resultado mas generaillamado Teorema del Limite Central. Con toda honestidad, esta aproximaci6n no es tan importante en el calculo de probabilidad como una vez 10 fue. Esto se debe a que los programas de computadora ahora son capaces de calcular probabilidades binomiales con exactitud con valores bastante grandes de n.

:atori~ bil>"'.d
J

histogJ~;

,L:

on el Cl, ,J ,j lillacl s, ' ldad es 'il;,

Ejemplo 4.20
.\,

Suponga que 25% de los conductores con licencia de manejo en un estado particular no estan asegurados. Sea X el mimero de conductores no asegurados en una muestra aleatoria de taman050 (algo perversamente, un exito es un conductor no asegurado), de modo que

p
2:

= 0.25. Entonces p., = 12.5 Y if = 3.06. Como

I1p = 50(0.25) = 12.5 10, la aproximaci6n puede ser aplicada con seguridad: P(X < 10) = B( JO. 50 015'

2:

10 ,

35. Supc b.. -:tc

l;I

, ,._)

=
=

nJ

'\

10

+ 0.5 - 12.5 \
3.06

" .. ~;.;t( ll~t>

<1>(-0.65) = 0.2578
.1J

a,

Asimismo, la probabilidad de que entre 5 y 15 (inclusive) de los conductores ~"i. no esten asegurados es
P(5 :5 X:5

15)

= B(l5:
......... '-

50, 0.25) - B(4; 50, 0.25)

_ if,(15.5 .- 12.5) _ ':V ,.. (4.5 - 125',) _ " ;. ~ \:.l 3.06 3.06

Las probabilidades exactas son 0.2622 Y 0.8348, respectivamente, asi que las ~1I."; nes son bastante buenas. En el ultimo calcu10, la probabi1idad P(5 :5 X:S 151 (, aproximada par el area bajo 1a curva normal entre 4.5 Y 15.5, se utiliza la corren i, tinuidad tanto para ellfmite superior como para el inferior. Cuando el objetivo de la investigaci6n es hacer una inferencia sabre una: de poblaci6n p, el interes se enfocara en la proporci6n muestral de X/n exitos y no I', esta proporci6n es exactamente X multiplicada por la constante 1111, tambicll fe" ximadamente una distribuci6n normal (can media p., = p y desviacil": if = ypq;;,), siempre que tanto np 2: 10 como nq 2: 10. Esta aproximaci6n norm:l; de varios procedimientos inferenciales que se discutiran en capftulos posteriorc',

.Iil.

La
,.Ut

La

del
L.1t
.,pl,
,;'1<;,:,

\ II,Oi

~i

In
tf\

"

7t)

t:~~~J~ERfICIOS ' Secci6n 4.3 (28-58)


28. Sea Z una variable aleatoria normal estandar y calcule las siguientes probahilidades, trace las figuras siempre que sea apropiado. a. P(O ~ Z ~ 2.17) b. P(O ~ Z ~ I) c. P(-2.50 ~ Z ~ 0) d. P(-2.50 ~ Z ~ 2.50) e. P(Z ~1.37) f. P(-l.75 ~ Z)
g. PH

H. h.

31.

Determine z" para 10 siguiente: a. a = 0.0055 b. a = 0.09 c. a = 0.663 Si X es una variable aleatoria normal con I\lnli viaci6n estandar 10. calcule las siguientes p:' ,,' , mediante estandarizaci6n: a. P(X ~ 100) b. P(X ~ 80) c. P(65:s X ~ 100) d. P(70 ~ X) e. P(85~X~95) f. P(IX-801 =-c; III Suponga que la fucrza que actua en una colull'" da a soportar un edificio esta normal mente ell"" media de 15.0 kips y desviaci6n estandar ,k i,Cual es la probabilidad de que 1a fuerza a. sea de mas de 18 kips? b. este entre 10 Y 12 kips? c. Difiera de 15.0 kips en cuando mucho i .'i ." estandar? EI articulo "Reliability of Domestic- Waste B il'i: i (1. of Em'ir. Engr., 1995: 785-790) sugiere qUt , ' cion de sustrato (mg/cm3) del afluente que !leg:. esta normalmente distribuida con f.L = 0.30 y ,r a. lCual es la probabilidad de que la concelll]';:, de 0.25? b. LCual es la probabilidad de que la COO,T" cuando mucho de 0.1 O? c. (.Como caracterizaria el 5% mas grandt ti,> . lores de concentraci6n?

,.

32.

.17 .

S ti
c
(

.50 ~ Z ~ 2.00) h. P(I.37 ~ Z ~ 2.50) i. P(1.50 ~-Z). j. PC 29.

33.

I ZI ~

2.50)

En cada caso, determine el valor de la constante e que hace que el enunciado de probabilidad sea correcto. a. <fl(e) = 0.9838 b. pro ~ Z ~ e) = 0.291 c. P(e~Z)=0.121 d. P(-e ~ Z ~ e) = 0.668 e. P(e~ IZI)=0.016 34.

30.

Encuentre los siguientes percentiles de la distribuci6n . normal estandar. Interpole en 10s casos en que sea apropiado. a. 91" d. 25" b. 9"
C.

752

e.

()2

5 3

: las apru \ II! IJcio. s: 15) est;i '.iendli :orrecci6n lit' COn. I
~euna prup(lrci6n ; y no en X. Como

Supoflga que el diametro a la altura del pecho (pulg) de arboles de un tipo esta normalmente distribuido con J.L = 8.8 Yu == 2.8 como se sugiere en el articulo "Simulating a Harvester-Forwarder Softwood Thinning" (Forest Products 1. mayo de 1997; 36-41). a. i,Cwil es la probabilidad de que el di,1metro de un arbol seleccionado al azar sea por 10 menos de 10 pulg? i,Mayor de 10 pulg'? b. i,Cual es la probabilidad de que el diametro de un arbol seleccionado al azar sea de mas de 20 pulg? c. i,Cual es la probabilidad de que el diametro de un arbol seleccionado al azar este entre 5 y 10 pulg? d. i,Que valor c es tal que el intervalo (8.8 - c,8.8 + c) inc1uya 98% de todos los val ores de diametro? e. Si se seleceionan euatro arboles al azar, i,cual esla probabilidad de que por 10 menos uno tenga un diametro de mas de 10 pulg?

chos aceptables tienen diametros entre 2.9 y 3.1 cm. i,Cual maquina es mas probable que produzca un corcho aceptable') 39. a. Si una distribuci6n normal tiene fL == 30 y u = 5, i,cual es e191" percentil de la distribucion') b. i,Cual es el 6" percemil de la distrihuci6n') c. EI ancho de una linea gr:lbada en un "chip" de circuito integrado nonnalmente esta distlibllicla con media de 3.000 J.Lmy desviaciol1 estandar de O. J 40. i,Que valor de ancho separa 10% de Jas lint:as mas anchas del 90% restante') 1 articulo "Monte Carlo Simulation-Tool for Better Understanding of LRFD" (1. Srructural Engr., 1993: 15861599) sugiere que la resisteneia a ceder (Ib/pulg2) de un acero grado A36 esta nonnalmente distribuida con J.L = 43 y u = 4.5. a. i,Cual es la probabilidad de que la resistencia a ceder sea cuando mucho de 40') i,De mas de 60? b. i,Que valor de resistencia a ceder separa al 75% mas resistente del resto') EI dispositivo de apertura automatica de un paracaidas de carga militar se disen6 para que abriera el paracaidas a 200 m sobre el suelo. Suponga qut: la altitud de abertura en realidad tiene una distribuci6n nom1a1 con valor medio de 200 m y desviaci6n estandar de 30 m. La carga util se danara si el paracafdas se abre a menos de 100 m. i,Cual es la probabilidad de que se dane la carga util de cuando menos uno de cinco paracafdas lanzados en forma independiente? La Iectura de temperatura tomada con un termopar colocado en un medio a temperatura constante normalmente esta distribuida con media fL, la temperatura real del medio y la desviaci6n estandar u. i,QlIe valor tendria u para asegurarse de que el 95% de todas las lecturas estan dentro de 0.1" de J.L? Se sabe que la distribuci6n de rcsistencia de resistores de un tipo es nonnal y la resistencia del 10% de ellos es mayor de 10.256 ohms y la del5% es de una resistencia menor de 9.671 ohms. i,Cuales son el valor medio y la desviaci6n estandar de la distribuci6n de resistencia? Si la longitud roscada de un perno esta normalmente distribuida, i,cual es la probabilidad de que la longitud roscada de un perno seleccionado al azar este a. dentro de 1.5 desviaciones estandar de su valor medio? b. a mas de 2.5 desviaciones estandar de su valor medio? c. entre una y dos desviaciol1es estandar de Sllvalor medio? Una maquina que produce cojinetes de bolas iflicialmente se ajust6 de modo que el diametro promedio verdadero de los cojinetes que produce sea de 0.500 pulg. Un cojinete es aceptable si su diametro esta dentro de 0.004 pulg de su valor objetivo. Suponga, sin embargo, que el ajuste cambia durante el curso de la producci6n, de modo que los cojinetes tengan diametros normalmente distribuidos con valor medio de 0.499 pulg y desviaci6n estandar de 0.002 pulg. i,Que porcentaje de los eojinetes producidos no sera aceptable? La dureza Rockwell de un metal se determina hincando una punta endurecida en la superticie del metal y luego midiendo la profundidad de penetraci6n de la punta. Suponga que la dureza Rockwell de una aleaci6n particular esta normalmente distribuida con media de 70 y desviaci6n estandar de 3. (La dureza Rockwell se mide en una escala continua.)

40.

bien tendrij apro. viaci6n e'l;indar normal Cs I:! base eriores.

)n media ~() Yde:ltes probahrl:dade'

36. La deriva de las atomizaciones de pesticidas es una preocupaci6n constante de los fumigadores y productores agricolas. La relaci6n inversa entre el tamano de gota y el potencial de deriva es bien conocida. 1 articulo "Effects of 2,4-D Formulation and Quinclorac on Spray Droplet Size and Deposition" (Weed Technology, 2005: 1030-1036) investig6 los efectos de . formulaciones de herbicidas en atomizaciones. Una Figura en el artfculo sugiri6 que la distribuci6n normal con media de 1050 J.Lm y desviaci6n estandar de 150 J.Lmfue un modelo razonable de tamano de gotas de agua (el "tratamiento de control") pulverizada a traves de una boquilla de 760 mlJmin. a. i,CuaI es la probabilidad de que el tamano de una sola gota sea de menos de 1500 J.Lm') i,Por 10menos de 1000 fLm? b. i,Cuales la probabilidad de que el tamano de una sola gota este entre 1000 y 1500 J.Lm? c. i,C6mo caracterizarfa el 2% mas pequeno de todas las gotas? d. Si se miden los tamanos de cinco gotas independientemente seleccionadas. i,cual es la probabilidad de que por 10 menos una exceda de 1500 fLm? 37. Suponga que la concentraci6n de cloruro en sangre (mmolfL) tiene una distribuci6n normal con media de 104 y desviaci6n estandar de 5 (informaci6n en el articulo "Matemathical Model of Chloride Concentration in Human Blood", J, of Med. Engr. and Tech., 2006; 25-30, incluida una grafica de probaoilidad normal como se describe en la secci6n 4.6, apoyal1do esta suposici6n). a. i,Cual es la probabilidad de que la coneentraci6n de cloruro sea igllal a 105? i,Sea menor que IDS? i,Sea cuando mucho de 105? b. i,Cual es la probabnidad de que la concentraci6n de cloruro difiera de la media por mas de una desviaci6n estandar? i,Depende esta probabilidad de los valores de J.L y u? c. i,C6mo caracterizaria el 0.1 % mas extrema de los valores de concentraci6n de c1oruro? 38. Hay dos maquinas disponibles para cortar corchos para usarse en'botellas de vino. La primera produce corchos con diametros que estan nomlalmente distribuidos con media de 3 cm y desviaci6n estandar de 0.1 cm. La segllnda maquina produce corchos con diametros quetienen una distribuci6n normal con media de 3.04 em y desviacion estandar de 0.02 cm. Los cor-

41.

42.

43.

44.

'I
I

:S 10)

columna que <IIU. :nte distribuida ~Oll 1dar dc 12:' kip,. a

45.

~Biofilm RI.':ldur," ~eque la Cunlentra e lIega a un rea,lOr 30 y u = ()()6. flcentracil)Ii ex,ed,

46.

'babiljrld.,
'PUC::.\(~1 t'lj.

I Cl1f)((-nld_
ta anUnC;\i

oerouestre que la relacion ent~-e un percentil normal g:ne. 56. rat y el percenlIl : correspondlente es como se estlpulo en
;;1: ll'ion~

58.

,:.!:: Utili.
:; d!lC~\(
,~;',1\,)\

.u~ P::I':t,

les de

:10'

nSallJrlh;L~

p.:rson:,.
entre lo~
i

"~n~i!.

:, C~\P' 1'. Y let,


. . 1\':Orn~

fra es
i

(111'.

probabi! it; '.' ::rro.\\.

e I(J()() ind,'

kDollald. iferenci.\ <I'

esta secci6n. Demuestre que si X tiene una distribuci6n normal con 51. panimetros J.L y fT, entonces Y = aX + b (una funci6n lineal de X) tambien tiene una distribuci6n normal. l.Cuales son los parametros de la distribucion de Y res decir, E(Y) Y V(Y)]? [Sugerencia: Escriba la funci6n de distribuci6n acumulativa de Y, P(Y :$ y), como una integral que implique la funci6n de densidad de probabilidad de X Yluego derive con respecto a)' para obtener la funci6n de densidad de probabilidad de Y.] b. Si cuando se mide en C, la temperatura esta normal mente distribuida con media de 115 Y desviaci6n estandar de dos, i,que se puede decir sobre la distribuci6n de temperatura medida en OF?

No existe una f6rmula exacta para funci6n de distribuci6n acumulativa normal estandar <I>(z), aunque se han pllblicado varias aproximaciones en artfculos. La siguiente se tom6 de "Approximations for Hand Calculators Using Small Integer Coefficients" (Mathematics of Computation, 1977: 214 222). Con 0 < Z :$ 5.5, P(Z;::: z) = t - <f)(z) - 0.5 exp

[(83Z

+ 351): + 562]} 703/: + 165

Et error relativo de esta aproximaci6n es de menos de 0.042%. Usela para calcular aproximaciones alas siguientes probabilidades y compare siempre que sea posible con las probabilidades obtenidas con la tabla A.3 del apendice. a. P(Z;::: I) b. P(Z < -3) c. P(-4 < Z < 4) d. P(Z> 5)

~.

~ el eier, "

nes COOti!." mero k Ljl,:'


se el .ejl.~"'.:

..

de: ; 1 \ ~ 1,. E' :"Iag, ~


.j

,Lj
,:

cr. '

Obtenga l'" 10nnalcoJ':' rete de ntero).


<:If,' SilL'

prohJ.

~ "" ," ',:'.. - "_'cr ;

~~~~i1'Distribuciones exppnencial y gama


La curva de densidad correspondiente a cualquier distribucion normal tiene forma de campana y por consiguiente es simetrica. Existen muchas sitllaciones pnicticas en las cuales la variable de interes para un investigador podrfa tener una distribucion asimetrica. Una familia de distribuciones que tiene esta propiedad es la familia gama, Primero se considera un caso especial, la distribucion exponencial y luego se Ie generaliza mas adelante en esta seccion.

i.:.

ion norm'"

',! qUe' .: p. =

tinuidad p." , defccto.'"

,.ideu

Distribucion exponencial
par;1mClio.. '
}abilid;.\li. 6n pOl'
l:<.'1:

':.In,, :"'.:,,1,,8':.

La familia de distribuciones muy utilizados en disciplinas

exponenciales de ingenierfa

proporciona y ciencias.

modelos

de probabilidad

que son

rc con L.h ;'. ,; ::lbili-

del apend:

DEFINICiON

Se dice que X tiene una distribucion cion de densidad de probabilidad

exponencial de X es

con panimetro

A (A

> 0)

si la fun-

Ie accro p! n las cS!'c:<. , >.

I(x; A)
ld~l~ "II!'

={

Ae-AX
0

2:::

0
(4,5)

deJo contrario

~ar de Sl'r . j. .:!.'IJa~ 200 fkc! 'c~1 con I;l~ C',-, :'cJ'
e~ la V,}I .,i.td

Algunas fuentes escriben la funcion de densidad de probabilidad exponencial (1/f3)e-x1/3, de modo que f3 = I/A. EI valor esperado de una variable aleatoria mente distribuida

en la forma exponencial-

X es

uctorcs

en

!l~r ,";;~l-

Para obtener este valor esperado se requiere integrar pOI' partes. La varianza de X se calcula utilizando el hecho de que VeX) = E(Xl) - [E(X)]2. La determinacion de E()(2) requiere integral' por partes dos veces en sucesion.
jL

:guridad. S,,,:kc ctores. i,C'u"J '.i:' IJ :onductt",, r6n de S,~!:" tra usen .:'

Los resultados

de estas integraciones

son los siguientes:

I 5 A

Tanto la media como la desviacion estandar de la distribucion exponencial son iguales aliA. En la figura 4,26 aparecen algunas graficas de varias funciones de densidad de probabilidad exponenciales.

a. Una probeta es aceptable s610 si su dureza oscila entre 67 y 75, i,cUlIIes la probabilidad de que una pro beta seleccionada al azar tenga una dureza aceptable? b. Si el ran go de dureza aceptable cs (70 - c, 70 + c). i,con que valor de c tendria 95% de todas las probetas una durcza aceptablc? c, Si el rango de durcza aceptable cs como el del inciso a) y la dureza de cada una de diez probetas seleccionadas al azar se determina de forma independiente, i,cuaJ es el valor esperado de probetas aceptables entre las diez? d. i,Cual es la probabilidad de que cuando mueho oeho de diez probetas independientemente seleccionadas tengan una dureza de menos de 73.847 [Sugerencia: Y = el mlmero de entre las diez probetas con dureza de menos de 73.84 es una variable binomial; L.cual es p?] 47. La distribuei6n de peso de paquetes enviados de cierta manera es normal con valor medio de 12 Ib y desviaci6n estandar de 3.5 lb. EI servicio de paqueteria desea establecer un valor de peso c mas alIa del cual habra un cargo extra. i,Que valor de c es tal que 99% de todos los paquetes esten por 10 menos I Ib por debajo del peso de cargo extra? Suponga que la tabla A.3 del apendice contiene <I>(z) s610 para z 2: 0. Explique c6mo aun asi podria calcular a. P(-I.72 s Z s -0.55) b. P(-I.72 S Z S 0.55) i,Es necesario tabular <I>(z) para z negativo? i,Que propiedad de la, curva normal estandar justifica su respuesta? 49. Considere los bebes nacidos en el rango "normal" de 37-43 semanas de gestaci6n. Datos extensos sustentan la suposici6n de que el peso de nacimiento de estos bebes nacidos en Estados Unidos esta normalmente distribuido con media de 3432 g y desviaei6n estandar de 482 g. [EI articulo "Are Ba", bies NomlalT (The American Statistician (1999): 298-302) analiz6 datos de un ano particular; con una selecci6n sensible de intervalos de c1ase, un histograma no parecia del todo normal pero despues de una investigaci6n se determin6 que esto se debia a que en algunos hospitales median el peso en gramos. en otros 10 median a la onza mas cercana y luego 10 convertian en gramos. Una selecci6n modificada de interva10s de c1ase que permitia esto produjo un histograma que era deserito muy bien par una distribuci6n normaL] a. i,Cual es la probabi!idad de que el peso de nacimiento de un bebe seleccionado al azar de este tipo exceda de 4000 gramos? i,Este entre 3000 y 4000 gramos? b. LCual es la probabilidad de que el peso de nacimiento de un bebe seleccionado al azar de este tipo sea de menos de 2000 gramos 0 de mas de 5000 gramos? c. i,Cual es la probabilidad de que el peso de nacimiento de un bebe seleccionado al azar de este tipo exeeda de 7 libras? d. i,C6mo caracterizaria el 0.1 % mas extremo de todos los pesos de nacimiento? e. 5i X es una variable aleatoria con una distribuci6n normal y a es una constante numerica (a "'" 0), entonees Y = aX tam bien tiene una distribuci6n normal. Use esto para deterrninar la distribuci6n de pesos de nacimiento expresados en libras (forma, media y desviaci6n estan-

dar) y luego calcule otra vez la prub,:hdl' i,Como se compara esta con su n"pU'."k 50. En respuesta a preocupaciones sobre e] Clli1t>:' , de las comidas rapidas. McDonald's ha ~t!wn zara un nuevo aceite de cocinar para ~U'. p""" que reducira sustancialmente ios nivele:; (le:" incrementara la cantidad de grasa poJi;n~;.""",. ca. La compania afirma que 97 de ! 0(' f'e~':i"f, ces de detectar una diferencia de sabai' ':litre " viejos aceites. Suponiendo que esta ci I'm c', proporci6n de largo plazo) i,cual es 1a PWh,),! mada de que en una muestra aleatoria de Ii i(',; . han comprada papas a la francesa en 1YL:D')l;~"" a. i,Por 10menos 40 puedan Botar!a Jikr(;'] ..; tre los dos aceites? b. Cuando mucho 5% pueda notal' b Ijk"entre los dos aceites" La desigualdad de Chebyshev (vCa~<.' c! "" capitulo 3), es valida para dislribucionc:, ~'" cretas. Estipula que para cualquier I1\jm,~w ' k 2: I, P( X - JL 2: ku) S IIk2 (vea,c ei ' el capitulo 3 para una interpretacion). Ob\t'r,~ bilidad en el caso de una distribuci6n LIlll'Jld 3 y compare con el Ifmite superior.

~6. Demuestn

ral y el pc esta secci, ~1. a. Demu, param neal d les SOl


E()'} )

buciol que ir Xy lu de del b. Si cu, menu dar d, temp'

51.

48.

52.

Sea X el numero de defectos en un carretl: ,'. tica de 100 m (una variable de valor emcru) X tiene aproximadamente una distribucion n",: 25 y u = 5. Use la correcci6n pOl'colltimri\L. lar la probabilidad de que el numcro de lIef::' a. Entre 20 y 30, inclusive. b. Cuando mucho 30, Menos de 30.

.I
I
I
i

53. Si X tiene una distribuci6n binomial l'\'j'l "., p, ca\cule cada una de las siguienlcs p'otd .. ,j, la aproximaci6n normal (con Ja COITCCC[,,'l\ p,,: en los casos p = 0.5, 0.6, y 0.8 y compare ("" dades exaetas calculadas con la tabla A. j de! .T'

a.

P(l5

S X S 20)

b. P(X S 15) c. P(20 S X) 54. Suponga que 10% de todas las tlecha\ (k "". por medio de un proceso no cumplen con b,'. , . nes pero pueden ser relrabajada\ (en lug,:r d das). Considere una Illuestra alealori~l de 2',': X el numero entre estas que no cumph:o e'm ' ciones y pueden ser retrabajadas, (,C,\~\i,', aproximada de que X sea . a. Cuando mucho 30'1 b. Menos que 3D? c. Entre 15 y 25 (inclusive)? Suponga que s610 75% de todos los COliduu", do us an con regularidad el cinturon de "<:'1,,,;,1 , ciona una muestra aleatoria de son conduC!' .,. probabilidad de que a. Entre 360 y 400 (inclusive) de ]u, "u,." muestra usen con regularidad el cirnur,'.'; b. Menos de 400 de aquellos en Ia mU,;,I'..1 laridad el cintur6n de seguridad'!

55.