Algunas funciones de distribucin

La probabilidad es tan importante como para dejarla en manos de los expertos.

En este captulo se van a estudiar las caractersticas de las funciones de distribucin que aparecen ms frecuentemente. 1. Distribuciones discretas 1.1 Distribucin Bernoulli. Un experimento que slo tiene dos posibles resultados se conoce como experimento Bernoulli. stos son algunos ejemplos de experimentos Bernoulli: Experimento Nacimientos Volados Anlisis clnicos Control de calidad Una rifa
ww w.
om

Resultados nio nia guila sol negativo positivo defectuoso no defectuoso pierde gana

Todos estos ejemplos se pueden estudiar con un modelo de "xitofracaso". La designacin de xito o fracaso en un experimento Bernoulli es arbitraria y totalmente subjetiva: lo que para unos puede ser xito, para otros puede ser fracaso. Por ejemplo, el resultado positivo de un anlisis clnico, para el investigador puede ser un xito, pero para el paciente ser un fracaso. El xito es, en general, el resultado que interesa estudiar. La probabilidad de que ocurra un xito se denota con la letra p , y en consecuencia la probabilidad de que ocurra un fracaso es igual a # = lp, donde 0 < / ? < ! .

at em

at

ic a

1.c

DEFINICIN 5.1. La variable aleatoria X que asigna el nmero 1 al xito y el nmero 0 al fracaso (X(xito) = 1, X(fracaso) = 0) se conoce como variable aleatoria Bernoulli.

La funcin de densidad de la variable aleatoria Bernoulli es: /(O) = q\

= pxql~"x, para x = 0, 1.

Demostracin Por la definicin, se tiene que

E(X) = ELo //(O = 0/(0) + 1/(1) = p V(X) = Elo(< " E(X)ff{i) = (0 - pfq + (1 - pf{p)
= P<I(P + i-p) = pq tx m M{t) - E(e ) = e q + pe*x) = q + pe\

1.2 Distribucin binomial 5.2. La variable aleatoria X, que indica el nmero de xitos en n experimentos independientes Bernoulli con probabilidad de xito /?, se conoce como variable aleatoria binomial con parmetros n y p
DEFINICIN

ww w.

E(X) = p, V(X) = pq, Mx(t) = q + pe\ donde E{X\ V(X) y Mx(t) son la media, la varianza y la funcin generatriz de momentos de X, respectivamente.

at em

5.1. Si X es una variable aleatoria Bernoulli con probabilidad de xito p, entonces

TEOREMA

at

ic

a1

EJEMPLO 5.1. Un foco pasa el control de calidad si su vida til es mayor o igual a 2 aos. xito equivale a que el foco pase el control de calidad, y la probabilidad de tener un xito en uno de los experimentos es igual a p = .90. Entonces, la variable aleatoria X, que vale 1 cuando el foco pasa el control de calidad y cero cuando no lo pasa {X{ fracas) = Oy X (xito) = 1), es una variable aleatoria Bernoulli con funcin de densidad igual a

.c om

Si X indica el nmero de xitos al realizar n experimentos Bernoulli independientes, entonces el recorrido de X es igual a = {<>, 1 , 2 , . . . , * } 5.2. Se lanzan 20 volados con una moneda no cargada; sea la variable aleatoria X el nmero de guilas observadas. X es una variable aleatoria binomial con parmetros n = 20 y p = 0.5. (X ~ 5(20, 0.5)).
EJEMPLO

El recorrido de X es Rx = {0,1,2, 3 , . . . , 20}

TEOREMA 5.2. Si X\, X2,..., Xn son n variables aleatorias Bernoulli independientes y con probabilidad de xito igual a p, entonces la variable aleatoria

5.3. La funcin de densidad de una variable aleatoria binomial es igual a

TEOREMA

fx(x) = (n) pxqn~x;

ww w.

Demostracin Dado que las variables aleatorias Bernoulli toman el valor 1 cuando ocurre un xito y el valor 0 cuando ocurre un fracaso, en la sumatoria Y%=\ %i slo contarn los resultados que corresponden a los xitos, y la suma ?=i X ser igual al nmero de xitos en los n experimentos Bernoulli. Esta es la definicin de la variable aleatoria binomial.

at em
fn\

Demostracin Como X = Y=\ Xi> donde las X, i 1,2,..., n son variables aleatorias Bernoulli, iguales e independientes, entonces tener x xitos en los n experimentos equivale a tener un subconjunto con x elementos del conjunto {Xh ... ,Xn}9 que son iguales a 1 y el resto igual a cero. Entonces, las posibles maneras de tener x xitos corresponde a las combinaciones de n enx:

at

ic

es una variable aleatoria binomial con parmetros n y p.

x = 0,1, 2, 3 , . . . , n.

a1
1=1

.c om

Cada manera individual de tener x xitos tiene la misma probabilidad de ocurrir, as que basta con calcular la probabilidad de uno de estos casos. Una realizacin que da como resultado x xitos es la siguiente:
x xitos nx fracasos

La probabilidad de esta realizacin se encuentra considerando que las variables aleatorias Bernoulli son independientes: P(XX = 1)... P(XX = 1} P(XX+1 = 0 ) . . . P(Xn = 0) =
x veces nx veces

pxqn~\

Finalmente, sumando la probabilidad de todos los posibles casos, se tiene que

at em

5.3. Se lanzan 10 volados con una moneda no cargada. Sea X la variable aleatoria que indica el nmero de guilas que se observan. Ya que los resultados de los 10 volados son independientes, X es una v.a. binomial con parmetros n = 10 y p = 1/2 = 0.5. El recorrido de la variable X es: X = 0, 1, 2 , . . . , 10, y la funcin de densidad es

5.4. Si el 10% de la produccin de focos de una fbrica resulta ser defectuosa, cul es la probabilidad de que al elegir 20 focos al azar, la muestra tenga de 17 a 19 focos buenos?
EJEMPLO

Solucin La situacin de cada foco (si es bueno o defectuoso) es independiente de la situacin de los otros focos. Sea Y la variable que indica el nmero de focos buenos en la muestra. Y es una variable aleatoria binomial con parmetros n = 20 y p = .90 (xito es que el foco sea bueno). As se pide entonces encontrar P(17 < Y < 19) = P(Y = 17) + P(Y = 18) + P(Y = 19) = 0.7454.

ww w.

( ^

at

ic

EJEMPLO

-0.5)10-*=

a1

.c om

En el apndice 1, se incluye una tabla con los valores de la distribucin binomial (F(k) = P(X < k)\ correspondientes a los valores de n = 2 , 3 , . . . , 25, k = 0,1,2,..., n y p = .05, .10, .15,..., .95. En la figura 5.1 se muestra el formato de la tabla para n = 5 y p = .05,...,.50. P .25 .30 .35 .40 .45 .50

1. Encuentre en la tabla el valor de n = 20. 2. Encuentre en esta parte de la tabla el valor de p = .90 y de k = 19. El punto donde se cruza la columna de p = .90 y de fc = 19 corresponde a P(X < 19) y es igual a 0.8784. 3. En seguida, encuentre el valor de k = 16. El punto donde se cruza la columna de p = .90 y de k = 16 corresponde a P(X < 16) y es igual a 0.1330. 4. Finalmente, observe que P(17 < X < 19) = P(X < 19) - P(X < 16)
se quita

0,1,2,3,4,5,6,7, 8,9,10,11,12,13,14,15,16,17,18,19
queda

P(17 < X < 19) = 0.8784 - 0.1330 = 0.7454.

ww w.

El valor en el recuadro corresponde a la probabilidad de P(X < 4), con los parmetros = 5y/? = .15. Para ejemplificar el uso de la tabla, se va a encontrar la misma probabilidad del ejemplo anterior, P(17 < X < 19). Siga los pasos y compruebe los resultados directamente de la tabla:

at em

at

ic

FIGURA

5.1 Formato de la distribucin normal estndar.

a1

n k 5 0 1 2 3 4 5

.05 .10 .15

.20

.c om

0.99991

Se pueden usar las siguientes relaciones para calcular diferentes probabilidades de la v. a. binomial, utilizando las tablas incluidas en los apndices. P(a < X < b) = P(X < b) - P(X < a - 1) = F(b) - F(a ~ 1) P(X = b) = P(X <b)-P(X<b-l) = F(b) - F(b - 1) P(a > X) = 1 - P(X < a - 1) = 1 - F(a - 1).
TEOREMA 5.4. Si X es una variable aleatoria binomial con parmetros ny p, entonces se tiene que E(X) = np, V(X) = npq,

Si Xt ~ Bernoulli(p),

E(Xd = p

El valor esperado de una suma de variables es igual a la suma de los valores esperados.

La varianza de una suma de variables aleatorias independientes es igual a la suma de las varianzas.

Mx(t) = E(etX) = . . . E(etX) =

El valor esperado del producto de variables aleatorias independientes es igual al producto de los valores esperados de los factores.

ww w.

E(X) = E(Xl +X2 + X3 + ... + Xn) = E{XX) + E(X2) + E(X3) + ... + E(Xn) = np

V(X2) + V(X3) + ... + V(Xn) = npq

at em

at

Demostracin Se sabe que si X es una variable aleatoria binomial con parmetros n y p, entonces X es igual a la suma de n variables Bernoulli independientes con probabilidad de xito p: X = Xx + X2 + X3 + . . . + Xn. Entonces, por las propiedades del valor esperado y la varianza,

ic

a1

.c om

5.5. Considere un gas ideal de N partculas contenidas en un recipiente de volumen Vb- Interesa investigar el nmero de partculas que se encuentran dentro de un subvolumen V del recipiente. Si el gas est en equilibrio, las partculas se encuentran uniformemente distribuidas dentro del recipiente. Dada una partcula especfica, sta puede o no estar contenida en V y la probabilidad de que est contenida ah es p = y.
EJEMPLO

mx{0, n - K} < X < mn{n, M} y su funcin de densidad es igual a

Demostracin Si la poblacin est formada por M elementos con la caracterstica determinada y K elementos sin esa caracterstica, entonces cuando se toma una muestra de tamao n sin reemplazo y X indica el nmero de elementos en la muestra con la caracterstica, se pueden tener los siguientes casos:

ww w.

5.5. Si X es una variable aleatoria hipergeomtrica con parmetros M y K, el recorrido de X est comprendido por
TEOREMA

at em

5.3. Considere una poblacin finita compuesta por M elementos que tienen una caracterstica determinada y K elementos que no la tienen. Se elige una muestra aleatoria de tamao n sin reemplazo, y sea X la variable aleatoria que indica el nmero de elementos mustrales con la caracterstica determinada. X se conoce como variable aleatoria hipergeomtrica con parmetros M y K.

at

ic

DEFINICIN

a1

1.3 Distribucin hipergeomtrica

.c om

Obviamente, el hecho de que una partcula est o no dentro de V define un experimento Bernoulli, donde xito equivale a "la partcula est contenida en V" y fracaso, el caso contrario. Entonces la variable que V indica cuntas partculas del total de T estn en V es una variable aleatoria binomial con parmetros n = N y p = y. As, el nmero esperado de partculas en V es E(X) = Np.

El nmero total de casos en que se pueden tener k xitos en la muestra es

Los k xitos son los elementos que estn en la muestra pertenecientes al primer subconjunto; los n k fracasos son los elementos que estn en la muestra del segundo subconjunto. Entonces K \

ww w.

El mnimo valor de X es igual al mximo entre Oyn K, mientras que el mximo valor de X es igual al mnimo entre n y M. Para encontrar la probabilidad de tener k xitos en una muestra de tamao n, mx{0, n K} < k < mn{n, Ai}, es necesario contar el nmero de muestras diferentes de n elementos, y de estas posibles muestras en cuntas de ellas se tiene exactamente k xitos. El nmero total de maneras en que se puede elegir la muestra de tamao n, de una poblacin de tamao M + K, es

at em

at

ic

a1

.c om

1. K > n. En este caso es posible tener alguna muestra formada nicamente por elementos sin la caracterstica, y el mnimo valor de X es cero. 2. K < n. En este caso, ninguna muestra puede estar formada nicamente por elementos sin la caracterstica; lo ms que puede ocurrir es que en la muestra estn los K elementos sin la caracterstica y n K elementos con la caracterstica. El mnimo valor de X es n K. 3. M > n. En este caso, se pueden tener muestras totalmente formadas por elementos con la caracterstica, y entonces el mximo valor que puede tomar X es n. 4. M < n. En este caso, no se pueden tener muestras totalmente formadas por elementos con la caracterstica, as que el mximo valor que puede tomar X es M.

con mx{0, n - K} < k < mn{n, M}.

5.6. En una urna se tienen 13 bolas: 6 blancas y 7 rojas. Se elige una muestra de 8 bolas sin reemplazo. Sea X la variable que indica el nmero de bolas rojas en la muestra. Cul es la funcin de densidad deX?
EJEMPLO

para k = %3,4,5,6,7. Observe que el recorrido de X no va de 0 a 8 porque slo hay 7 bolas rojas y 6 bolas blancas. 5.7. El ejemplo de los peces del lago, visto en la introduccin, genera una variable aleatoria hipergeomtrica. La poblacin es el conjunto de carpas en el lago, el primer subconjunto lo forman los peces marcados en la primera extraccin (M elementos) y el segundo subconjunto son los peces sin marca (N M elementos). La variable aleatoria hipergeomtrica es el nmero de carpas marcadas en la segunda muestra.
EJEMPLO

ww w.

at em
M\ N - M
%

at

Entonces, X = 2, 3,4, 5, 6, 7 y

ic

mx{0, n - K} = mx{0, 8 - 6} = mx{0,2} = 2 y mn{n, M} = mn{8, 7} = 7

a1

.c om

Solucin El total de bolas en la urna es N = 13, de las cuales M = 1 son rojas, y el tamao de la muestra es n = 8. Elmuestreo es sin reemplazo; entonces X, el nmero de bolas rojas (xitos) en la muestra, es una variable aleatoria hipergeomtrica. El recorrido de X est entre

Observe que al elegir una muestra de una poblacin fraccionada en dos subconjuntos, y X representa el nmero de elementos del primer subconjunto: Si el muestreo es con reemplazo, X es una v.a. binomial. Si el muestreo es sin reemplazo, X es una v.a. hipergeomtrica. 5.6. Si X es una variable aleatoria hipergeomtrica con parmetros M, Ky n, entonces se tiene que
TEOREMA

y por definicin se tiene que

ww w.

nM ^ \k' I \n' k'/ M + K^rf (M' + K\

at em

IM\I K \ \k)\n-kj _

at

ic
I n>

Demostracin Considerando que la funcin de densidad hipergeomtrica cumple la propiedad

a1

.c om

M+K nMK(M + K-n) V(X) = (M + K - l)(Af + K)2'

nM M + K'

con n' = n - I, M' M - 1 y m' = m - 1.

Para calcular la varianza, se utilizar el hecho de que

V(X) - E(X2) - (E(X))2 = E(X(X - 1)) + E(X) - (E(X))2

As:

(M)(

E(X(X - 1)) = J > ( * - !)/(*) = * ( * - 1)

\n-ki

'M'\( (M + K- \){M + K)2 ^ nMK{M + K-n)

K >

(M1 + K

y su funcin de densidad es

fx(k) = -, n

ww w.

TEOREMA 5.7.

Si X ~ U(n), entonces su recorrido es

Rx = { 1 , 2 , 3 , . . . , n }

Demostracin La variable aleatoria uniforme discreta indica el nmero de la bola que se elige de una caja con n bolas numeradas del 1 al n, el nmero en la bola est entre uno y n\ por ello el recorrido de X, la variable que indica el nmero en la bola, es ** = {1,2,3,...,}. Por otro lado, el proceso de seleccin es completamente al azar, de manera que todos los nmeros tienen la misma probabilidad de aparecer; esto es, el espacio muestral es equiprobable, y por ello su funcin de

at em

5.4. La variable que puede tomar cualquiera de los valores entre lyn con igual probabilidad, se conoce como variable aleatoria uniforme discreta con parmetro n. X ~ U(n).
DEFINICIN

para k = 1,2, 3 , . . . ,n.

at

ic

1.4 Distribucin uniforme (discreta)

a1

con r = n - 2, M' = M - 2 y m' = m - 2.

.c om

densidad es fx(k) = -, para k = 1,2,3,... ,n. n EJEMPLO 5.8. La variable aleatoria que indica el resultado obtenido en la tirada de un dado es una variable aleatoria uniforme con parmetro n = 6. El recorrido de X es: X = 1,2,3,4,5,6 y su funcin de densidad es f(x) = i, para x = 1,2,3,4,5, 6.
TEOREMA 5.8. SiXes una variable aleatoria uniforme con parmetro n, entonces se tiene que E(X) = *i.
2

12

ww w.

at em

at

Demostracin Por la definicin

ic

a1

.c om

12

1.5 Distribucin Poisson. Un experimento que puede tener cualquier nmero de xitos en una regin continua, acotada y bien determinada, es una variable Poisson. Algunos ejemplos de experimentos Poisson son los siguientes: el nmero de accidentes automovilsticos que ocurren en una ciudad durante un ao; el nmero de partculas que emite un material radiactivo durante un minuto; el nmero de huevenlos que pone una mariposa durante una semana; el nmero de cometas que se observan al ao en un rea celeste; el nmero de tiburones que se observan en una regin del Caribe en un lapso de una semana; el nmero de errores tipogrficos en la hoja de un libro, etc.

Los xitos en un experimento de Poisson pueden ocurrir de manera independiente en cualquier punto de la regin objetivo, y si la regin se divide, la probabilidad de observar un xito en cada subregin es proporcional al rea, longitud, volumen, de dicha subregin, etc.
DEFINICIN 5.5. La variable aleatoria que indica el nmero de xitos en una regin continua bien determinada, en donde los xitos pueden aparecer de manera independiente en cualquier punto de la regin, se conoce como variable Poisson.

y su funcin de densidad es

at em

para A > 0.

Demostracin Considere que 5i, 32>...,? es una particin de la regin 3 tal que AtA') = ^ , para toda V 1,2, . . . , n . La ocurrencia de un xito en % es independiente de la ocurrencia de un xito en Jy, para i ^ j e i, j = 1,2, 3 , . . . , n. La probabilidad de que ocurra un xito en cada J,- es igual a pn, con lmn_>oo pn = 0 y lmn_>oo npn = A > 0. La probabilidad de que ocurra ms de un xito en cada ?,- es igual a /?* y lm^oo np*n = 0. As entonces, la probabilidad de observar x xitos en el conjunto 3 es casi igual a tener un xito en exactamente x subconjuntos de la particin, esto es, tener x xitos en n experimentos de xito-fracaso, iguales e independientes.

ww w.

at
x\

TEOREMA 5.9. Sea X una variable aleatoria que se distribuye de acuerdo con una ley de probabilidades Poisson; entonces su recorrido es el conjunto * 2 = {0,1,2,...}

ic

a1

.c om

En general, la variable aleatoria Poisson indica el nmero de xitos que ocurren en una regin 3 del espacio R n . La medida asociada a la regin se denotar con x (/JL puede ser una longitud, un rea, un volumen, etc.).

El nmero de xitos en J es aproximadamente una variable aleatoria binomial, con parmetros n y pn; entonces, la probabilidad de que ocurran x xitos en el espacio de observacin es casi igual a

La densidad Poisson se encuentra en el lmite de esta expresin, cuando se hace crecer el valor de n:

_
-*

t . i x . g o . +i
x\

W
.c om
n
x

_np
n

_ _

at em

Entonces,

COROLARIO 5.1. Si X es una variable aleatoria binomial con parmetros n y p tales que n es "grande" y p es "pequea", entonces la funcin de densidad de X se puede aproximar por medio de una funcin de distribucin Poisson, con A = np. EJEMPLO 5.9 (Problema de billetes de lotera). En una lotera se venden 10 000 000 boletos para una rifa con 100 premios. Cuntos billetes de lotera deben comprarse para que la probabilidad de ganar al menos un premio sea igual a 0.10?

Solucin Si hay 10000000 boletos de la lotera y hay 100 premios para repartir, entonces la probabilidad de que un boleto tenga premio es igual a p = 100/10000000 = 0.000001. Se puede considerar que cada boleto representa un experimento de xito-fracaso, donde la probabilidad de xito es p. Si n es el nmero de boletos comprados, la probabilidad de tener k boletos premiados es aproximadamente una Poisson con parmetro

ww w.

at

x\

ic
kxe~K x\

-00k x e~ Xe

n x\

a1

_ lm ( * - ) ( - 2 ) . . . ( + ! - * ) )

_A
n

A = np = 0.000001*. P(X = k) ^e'\

La probabilidad de que al menos un boleto sea premiado es P(X > 1) * 1 - p(X = 0) = 1 - r \ El nmero n que se busca es el menor entero positivo que cumple la desigualdad
- A __ -0.000001* <- Q Q

lo cual, implica que n es igual a 105 361. 5.10 (Las pasas en un pastel). En una pastelera hornearon varios pasteles con pasas en su interior. El nmero de pasas vara de un pastel a otro, pero en promedio tienen 10 pasas cada uno. Si se compra uno de estos pasteles, cul es la probabilidad de que ese pastel contenga al menos 1 pasa?
EJEMPLO

Solucin Suponga que el total de pasas utilizadas es igual a n y que el volumen de las n pasas es mucho menor que el volumen total de la pasta del pastel V; entonces, durante el proceso de mezclado las pasas se pudieron mover en forma libre e independiente en el interior de la pasta, y por tanto se distribuyeron uniformemente en los diferentes pasteles horneados. Cada pasa en la pasta tiene la misma probabilidad p de estar en uno de los pasteles, y se sabe que el nmero de pasas promedio en un pastel es A = np = 10. El nmero de pasas que puede tener el pastel que se compr es una variable aleatoria Poisson con parmetro A = 10:

ww w.

at em
p(v - n ^

at

La probabilidad de que al menos se tenga una pasa es igual a IP(X = 0) = \~ e~10 = . = 0.9999546

EJEMPLO 5.11 (Decaimiento radiactivo). En forma experimental, se ha observado que el radio decae gradualmente hacia el radn al emitir partculas alfa (ncleos de helio). Las distancias interatmicas son lo bastante grandes para suponer que cada tomo de radio se desintegra de manera independiente de los otros tomos. Sin embargo, cada uno de

ic

a1
--io

.c om

los n0 tomos de radio iniciales tienen la misma probabilidad p(t) de descomponerse durante un intervalo de t segundos. La desintegracin de un tomo se considera como xito. Sea (0 la variable aleatoria que indica el nmero de partculas alfa emitidas en t segundos, entonces (t) indica el nmero de xitos en los no experimentos Bernoulli independientes con probabilidad de xito p(t). Los valores de p(t) y de n 0 son tales q[ue la funcin de distribucin de la variable aleatoria j(t) es semejante a una distribucin Poisson con parmetro A = nop(t) (p(t) es suficientemente pequea y n0 es suficientemente grande). Es decir, la probabilidad de que un nmero exacto k de partculas alfa sean emitidas est dada por P(W = k)*tje-\ = 0,1,2,...

,=o

donde j = i 1.

ww w.

oo

Demostracin Por definicin

oo

at em
\i oo \-l

E(X) = A. V(X) = A. {e l) Mx(t) = e '~ \

at

ic
oo

a1
i=0 -A

TEOREMA 5.10. SiX es una variable aleatoria Poisson con parmetro A, entonces se tiene que

.c om

\/

=o

E(X(X - 1)) = f)f(/ - l)/(i) = f)( - \)^ l

i=0 oo
A

\-2

' oo \ / -A \2V^ A

donde 7 = 1 2.
Los dos primeros sumandos se anulan, porque para i 0 y para i = 1 el producto 1(1 1) es cero.

La varianza de X es igual a V(X) = E(X(X - 1)) + E(X) - (E(X))2 = A2 + A - A2 = A,

Mx(t) = E(eIJL) =

,tX\

^ (e'A)*
= e
*=0
v

_A ^
A _C A

,
I

'

Queda demostrado el teorema. 2. Distribuciones continuas En esta seccin se enumeran algunas de las distribuciones continuas ms comunes. 2.1 Distribucin uniforme (continua)
DEFINICIN 5.6. Se llama variable aleatoria uniforme, en el intervalo (a, b) (X ~ U(a, b)), a la variable X que tiene como funcin de densidad a 1 para x G (a, b\ 0 en otro caso.

1 b-a

ww w.

La funcin de densidad uniforme es entonces constante y su integral es iguala 1. Todos los intervalos de igual longitud contenidos en (a, b) tienen igual probabilidad.

at em

at

/(*) = b-a

ic
' c1

a1

.c om

FIGURA

5.2 El rea sombreada corresponde a P(c < X < d).

5.12. En un conmutador telefnico puede entrar una llamada con igual probabilidad en cualquier momento, dentro del intervalo de tiempo de las 11:30 a las 11:40; cul es la probabilidad de que la llamada se reciba entre las 11:34 y las 11:38?
EJEMPLO

Solucin Si la llamada puede entrar en cualquier momento entre las 11:30 y las 11:40 con igual probabilidad, y X indica el momento en que entra la llamada, entonces X es una variable aleatoria uniforme en el intervalo (11 : 30,11 : 40) y su funcin de densidad es /(*) = -L s i * G ( i i : 30,11 : 40).

/11:38 1

.c om

La probabilidad que se pide es P ( 1 1 : 3 4 < X < 11:38)= /

a1
3

T:dx = .
10

./11:34 10

V(X) = &f.
Mx(t) =
Demostracin Por definicin,

D-/*yw*-/*^.-l
a Ja h

ww w.

t{b-a) '

5.11. Si X es una variable aleatoria uniforme con parmetros a y b, entonces se tiene que E{X) = **
TEOREMA

at em

Observe que el problema se resolvi teniendo como unidades los minutos; no se hizo la conversin a la notacin decimal porque el intervalo as lo permiti.

E(X )= / x f(x)dx=
Ja

pb

Ja b 2a b
pb x^ r x

at

ic

b* -a3

b2 + ab + a2

/
Ja O a 2

= 3(b -a)
(a + b)2

3
(a - t)2

V(X) = E(X2) - (E(X))2 =

pb
0X

b + ab + a2
0 b* oat

12

{e

)=

Ja ~b^~a
216

t(b-a)'

2.2 Distribucin exponencial 5.7. Se dice que una variable aleatoria X es exponencial si su funcin de densidad est dada por
DEFINICIN

f(x) = Ke"^,

para x > 0, 0 en otro caso; A > 0.

EJEMPLO 5.13. Suponga que la variable que indica la vida til de un foco se distribuye de acuerdo con una ley exponencial con A = 1. (a) Encuentre la probabilidad de que el foco funcione la primera hora. (b) Encuentre la probabilidad de que funcione durante la cuarta hora.

Por lo tanto,

at em

at

f(x) = e~x,

para * > 0,

ic

a1

(a) Si X es una variable aleatoria exponencial con A = 1, entonces su funcin de densidad es igual a 0 en otro caso.

.c om

Solucin

P(el foco funciona la primera hora) = P(0 < X < l)=

e xdx
Jo

(b) P(el foco funciona durante la cuarta hora) = P(3 < X < 4) PQ < X < 4) = / e~xdx = T3 - T4 = 0.03115. 0. h Como se puede observar, conforme ms tiempo pase es menos probable que el foco contine funcionando. 5.12. Si X es una variable aleatoria exponencial con parmetro A, entonces se tiene que
TEOREMA

E(X) = I

V(X) = .
Mx(t) = j ^ , para t > A.

ww w.

= l-e~l

= 0.6321

Demostracin Por definicin,

E(X)= rxf(x)dx =
J0
2 2

rx\e~kxdx^\
J0
2 Xx

A Ar

E(X ) = r x f{x)dx = r x ke' dx = -^

Jo

V(X) = E(X ) - (E(X)) = A _ 1 = -L

Jo 7o A

Jo 2

la cual existe para a > 0.

T(a) =

que es lo que se quera demostrar.

COROLARIO EJEMPLO

5.14, Encuentre el valor de la funcin F(i).

Solucin En este caso se tiene que

ww w.

Demostracin Integrando por partes la funcin gamma, se tiene que

5.2. Si a es un entero positivo, entonces T() = (a 1)!

TEOREMA

5.13. Si a > 1, entonces T(a) = (a - l ) r ( a - 1).

at em
1 2

r(-) = /

at
Jo

DEFINICIN 5.8. Se conoce como funcin gamma a la funcin definida por la integral

ic

i x-u-*dx,

a1

2.3 Distribucin gamma

.c om

para > A. Las integrales se resolvieron por partes.

y al integrar por sustitucin, haciendo que x = y2 y que 2dy = se obtiene

dx/y/x,

T(-) = 2 e->dy. 2 Jo
El valor de esta integral se encuentra pasando a una integral doble,

roo

roo

=4/

Jo

Jo

*-x e~y dxdy = 4 /

/*oo

ro

Jo

Jo

La ltima integral se resuelve por sustitucin, cambiando a coordenadas polares; la sustitucin est dada por

I00 1 re~r2dddr = 1 re^dr [* dd = ^,

JO

Jo

at em
Jo

at

El valor absoluto del jacobiano de la transformacin es | / | = r, y la integral se convierte en

ic

a1
Jo

x = r eos 6 y = r sen 0

O < r < o o ; O < 0 < TT/2. ~ ~" ~ /

.c om

A partir de la funcin gamma

se obtiene una funcin de distribucin al introducir un nuevo parmetro, haciendo y = x/f3, lo que da
Jo

y luego se normaliza para que la integral en todo el recorrido sea igual al: i = r i x-\ Jo T(a)Ba

ww w.

M
T(a)=Jo rya-l

de donde se sigue que

DEFINICIN

5.9. La variable aleatoria X, cuya funcin de densidad

est dada por

a Xe Xlf

~ ~

'

para

x>0

'

Oen

otro

caso

'

se conoce como variable aleatoria gamma con parmetros a > 0 y j8 > 0.

EJEMPLO 5.15. Suponga que la cantidad de lluvia semanal, medida en mm, que cae en una regin en cierta poca del ao, se distribuye como una variable aleatoria gamma, con parmetros a = 2 y /3 = 1. Cul es la probabilidad de que en una semana caiga de 1 a 3 cm de precipitacin pluvial?

f(x)

P(l < X < 3) = / xe'xdx = (-JtT* - e~x)\\ = 2e~l - 4<T3 = 0.5366.

JO

TEOREMA 5.14. Si X es una variable aleatoria gamma con parmetro a y f3, entonces se tiene que

E(X) = a/3. V(X) = aj32. Mx(t) = (1 - /BT". Demostracin Por definicin, E(X) =

ww w.

Entonces, la probabilidad de que la precipitacin pluvial de dicha semana est entre 1 y 3 cm se encuentra al calcular la integral

at em
^

at

ic

Solucin Como la precipitacin pluvial, X, se distribuye como una variable aleatoria gamma con parmetros a = 2 y /3 = 1, entonces su funcin de densidad es igual a

a1

.c om

= a(a + l)/32 - a 2 /3 2

Mx{t) = E(etx) =

La grfica de la funcin de densidad normal es simtrica y tiene la forma de una campana, centrada en el valor del parmetro JL. La distancia entre el centro y el punto de inflexin de la curva normal coincide con el valor de cr. Se puede probar que si X ~ N(/x, a2), entonces

ww w.

fx(x) =

DEFINICIN 5.10. Una variable aleatoria X tiene una distribucin normal, con parmetros / y a2 (X ~ N(/J^ a2)), si su funcin de densidad es

- a < X < i + a) = 0.68268

at em

2.4 Distribucin normal. La funcin de distribucin normal es, sin exagerar, la ms importante en la teora de la estadstica. Las propiedades que presenta la hacen nica, y por ello su estudio es de suma importancia. Se considera que los errores en un proceso de medicin se distribuyen como una variable aleatoria normal.

at

Esto significa que para una variable aleatoria normal se tiene que en un intervalo alrededor de la media, con una separacin de una desviacin estndar, se encuentra aproximadamente el 68% de la poblacin. Y con

ic

a1

= 0.95450.

.c om

FIGURA

5.3 Funcin de densidad normal con media \x y vananza a .

E(X) = p ,

Demostracin Por definicin,

. E(X) = irooxf(x)dx = Too -j^-xe. E((X - fi)2) = r^ix - fi)2f(x)dx =

ww w.

V(X) = a2, Mx(t) =

at em
12 2

5.15. Si X es una variable aleatoria normal con parmetros fi y a , entonces se tiene que
TEOREMA
2

at

ic

una separacin de dos desviaciones estndar se encuentra el 95% de la misma.

a1

.c om

/i,

. M(t) = E{etx) = -^ Al desarrollar el exponente en el integrando tx(x xf/lo2 obtiene tx(x - x)2 2o- 2

se

[x2 (x (/J,

ah)
+ o-V))2 V)) 2o-2

<r2t)2]
2o- 2

lo que implica que la funcin generatriz de momentos es M(t) = e"+# LV 2TT a J-oo

i"

e-O-^'

M(t) = La probabilidad de que X se encuentre entre los valores de a a b est dada por la integral V 2TT O- ^ Esta funcin no tiene una antiderivada analtica, por lo que la integral se debe calcular numricamente.
TEOREMA

P(a < X < b) = - - p L -

[be-{x-)2/2<r2dx.
.c om

es tal que Z ~ N(0,1).

Ahora considere la transformacin Z = ^ ^ , de donde al despejar X se encuentra que X = Zer + / x y ^ = o"; entonces,

fz(z) = fxWfe = \/27rcr -jLdz

de donde se infiere que Z ~ iV(0,1) y se completa la demostracin. Este teorema permite tener una tabla nica con los valores de la distribucin normal de media cero y varianza uno; con ella se pueden calcular las probabilidades de una distribucin normal, con cualquier media y cualquier varianza. En este libro se anexa una tabla con los valores de la integracin numrica, correspondientes a

ww w.

Demostracin El teorema se prueba usando los resultados vistos en el captulo 3. Si X ~ N(/JL, o-2), entonces

at em
Jo

at

cr

ic

a1

5.16. Si X ~

N(/JL, a

), entonces la variable aleatoria

para valores de z entre 0 < z < 3.99 con dos cifras decimales.

FIGURA

5.4 rea reportada en el rea anexa.

La tabla presenta el formato mostrado en la figura 5.5.

FIGURA

En el margen izquierdo se encuentra la parte entera y el primer decimal del nmero z, y en la parte superior se encuentra el segundo decimal. En el interior de la tabla se encuentran los valores de la probabilidad, por ejemplo, en la tabla anterior el valor en el recuadro corresponde a la probabilidad P(0 < Z < 0.32) = - =
1

ww w.

5.5 Formato de la tabla normal estndar.

at em

0.0 0.1 0.2 0.3

at

ic
5

a1
6
\

.c om
7

r032

e~x/2dx.

i /.

Debido a que la grfica es simtrica y el rea total bajo la curva es igual a 1, se puede calcular la probabilidad en cualquier intervalo; considerando el rea bajo la grfica normal, se tiene que

a + p = 0.5

I \
0 i

FIGURA

5.6 Particin del rea bajo la curva normal en a + p = 0.5. Si X ~ N(/JL, a2), entonces = P(?^ <Z<

COROLARIO 5.3.

P(a<X<b)

a1

= P ( - 1 < Z < 1), y por simetra de la grfica, P(90 < X < 110) = 2P(0 < Z < 1) = 2(34134) = 0.68268. Conclusin: el 68.26% de la poblacin tiene un coeficiente intelectual entre 90 y 110.
COROLARIO 5.4. La Juncin generatriz de momentos de una variable aleatoria normal, Z ~ #(0,1), es igual a

ww w.

Solucin Se quiere la probabilidad

EJEMPLO 5.16. Supongamos que el coeficiente intelectual de un grupo de personas X es una variable aleatoria normal con media 100 y varianza 100. Qu porcentaje de la poblacin tiene un coeficiente intelectual entre 90 y 110?

at em
225

Mz(t) = ei

at

La demostracin es directa.

ic

.c om
O"

Ejercidos
EJERCICIO 5.1. Un tirador atina al blanco con una probabilidad igual a 0.30; cul es la probabilidad de que acierte al menos una vez en el blanco si hace 5 disparos? EJERCICIO 5.2. Encuentre el valor de p tal que la variable aleatoria Bernoulli tenga varianza mxima. EJERCICIO 5.3. Un programa para salvar al halcn peregrino de la extincin incluye la recoleccin e incubacin de sus huevos. Se ha visto que slo el 25% de los huevos en incubacin da lugar a un nuevo halconcito, y que la mitad de los halcones que nacen vivos son hembras. Cul es la probabilidad de que de 10 huevos en incubacin (a) nazcan vivos al menos dos halconcitos? (b) nazca al menos una pareja (macho y hembra) de nuevos halconcitos?

5.5. Sea Xx, X2, X3, . . . , Xn una sucesin de variables aleatorias independientes y normalmente distribuidas, con media cero y varianza uno. La variable aleatoria Y = X\ + X\ + X\ + ... 4- X\ se conoce como x2 (ji-cua(irada) con n grados de libertad. (a) Encuentre la funcin generatriz de momentos de la variable Y. (b) Encuentre la media y la varianza de 7, usando la funcin generatriz de momentos.
EJERCICIO EJERCICIO 5.6. Se sabe que la probabilidad de que en un anlisis clnico se d un resultado falso positivo es igual a .05, y la probabilidad de que una persona de la poblacin padezca la enfermedad es igual 0.15. Si se aplica el anlisis a 100 personas elegidas al azar, cuntos resultados falsos positivos se esperara tener?

ww w.

5.4. (Problema de tiempo de espera) Se efectan sucesivamente una serie de experimentos Bernoulli independientes, X es la variable que indica el nmero de intentos antes de tener n xitos. La distribucin de X se conoce como binomial negativa o de Pascal. (a) Encuentre la funcin de densidad de X. (b) Encuentre la funcin generatriz de momentos de X. (c) Encuentre la media y la varianza de X, usando la funcin generatriz de momentos.

at em

at

ic

EJERCICIO

a1

.c om

5.7. Un hombre asegura tener la habilidad de localizar agua. Para probar su aseveracin se le muestran 5 latas tapadas, dos de ellas con agua y tres vacas. Se le pide que, sin levantarlas, identifique las dos latas que tienen agua. Si el hombre est adivinando, cul es la probabilidad de que identifique las dos latas llenas de agua?
EJERCICIO EJERCICIO 5.8. Un pescador ha atrapado 8 peces, dos de los cuales no tienen el tamao reglamentario; un inspector toma tres peces al azar de la cesta y los mide. Cul es la probabilidad de que pase la inspeccin sin problemas?

at

EJERCICIO 5.10. Sea X una variable aleatoria Poisson con parmetro A, y sea A una variable aleatoria exponencial con parmetro igual a uno. Demuestre que

5.12. Se ha visto que el 0.05% de la poblacin de un pas desarrolla cierta enfermedad cada ao. Una compaa de seguros tiene aseguradas a 10,000 personas con una pliza que cubre esta enfermedad. Encuentre la probabilidad de que en este ao la compaa aseguradora tenga que pagar (a) 4 plizas exactamente, (b) ms de dos plizas.
EJERCICIO

5.13. Suponga que el 0.1% de los caracteres impresos en una imprenta son incorrectos. Si la pgina de un libro contiene aproximadamente 6,000 caracteres impresos, encuentre la probabilidad de que en una pgina dada haya al menos un carcter equivocado.
EJERCICIO

EJERCICIO5.14. Sean Xh X2,... ,Xn variables aleatorias independientes cuya funcin de distribucin es exponencial con parmetro A. Utilice la funcin generatriz de momentos para probar que la distribucin de la variable aleatoria Y=\ X es una funcin de distribucin gamma. Encuentre los parmetros de la funcin de densidad gamma.

ww w.

5.11. Una lotera vende 100 boletos con un nico premio. (a) Si se compra un boleto, cul es la probabilidad de obtener el premio? (b) Si se compran 5 boletos, cul es la probabilidad de obtener el premio?
EJERCICIO

at em

ic
1

a1

.c om

5.9. Considere una instalacin de cinco focos en serie, de tal manera que si alguno de ellos no sirve, ninguno funcionar. Si los focos de la instalacin se eligen de un lote de 500 focos, de los cuales 50 son defectuosos, cul es la probabilidad de que los focos funcionen?
EJERCICIO

EJERCICIO 5.15. Utilice la funcin generatriz de momentos para probar que la suma de n variables aleatorias independientes, que se distribuyen de acuerdo con una normal con media x y varianza a2, tiene una distribucin normal con media H/JL y varianza na2.

5.16. Pruebe, utilizando la funcin generatriz de momentos, que si X\9 X2, . . . , Xn son variables aleatorias independientes con funcin de densidad normal, con media /JL y varianza a2, entonces la variable y/(X fi)/(T se distribuye como una variable aleatoria normal con media 0 y varianza 1.
EJERCICIO EJERCICIO 5.17. El tiempo, medido en minutos, que cierta persona invierte en ir de su casa a la estacin del tren es un fenmeno aleatorio que obedece una ley de probabilidad uniforme en el intervalo de 20 a 25 minutos. Cul es la probabilidad de que dicha persona alcance el tren que sale de la estacin a las 7:28 a.m. si sale de su casa exactamente a las 7:05 a.m.?

5.18. Se divide la circunferencia de una rueda en 37 aireos iguales, que se numeran de 0 a 36 (ste es el principio de construccin de la ruleta). La rueda se monta sobre un eje y se coloca un marcador fijo. Se hace girar la rueda y cuando se detiene, se anota el punto sealado por el marcador fijo. La variable aleatoria que indica el nmero sealado se distribuye de manera uniforme. Calcule la probabilidad de que: (a) el nmero est entre 1 y 10, incluyndolos; (b) el nmero sea par, (c) el nmero sea el 3.
EJERCICIO EJERCICIO 5.19. Se escoge un nmero del intervalo [0,1] por medio de un mecanismo aleatorio que obedece una ley de probabilidades uniforme en dicho intervalo. Calcula la probabilidad de que (a) el primer decimal de su raz cuadrada sea 3; (b) su logaritmo natural sea mayor que 3. EJERCICIO 5.20. Suponga que la vida en horas de un bulbo es una variable aleatoria exponencial; cul es el valor de A en horas si la probabilidad de que el bulbo funcione entre 100 y 200 horas es igual a 0.25?

5.21. En cierta ciudad, el consumo diario de agua, en millones de litros, es aproximadamente una variable aleatoria gamma con
EJERCICIO

ww w.

at em

at

ic

a1

.c om

a = 2 y /3 = 3. Si la capacidad de abasto diario de dicha ciudad es de nueve millones de litros de agua, cul es la probabilidad de que en determinado da el suministro de agua sea inadecuado? 5.22. Se sabe que la duracin de cierto transistor sigue una distribucin gamma, con media de 10 semanas y varianza de 50. (a) Cul es la probabilidad de que el transistor dure por lo menos 50 semanas? (b) Cul es la probabilidad de que el transistor no pase de las 10 semanas funcionando?
EJERCICIO EJERCICIO 5.23. La vida de cierto dispositivo se distribuye como una variable aleatoria exponencial con parmetro A = 0.01. (a) Cul es el tiempo esperado de falla? (b) Cul es la probabilidad de que pasen 200 horas antes de que se observe una falla?

at em
229

at
o(rj
axy

5.24. Si X ~ N(/JLX, a]:)yY~ densidad conjunta est dada por

EJERCICIO

5.25. La longitud de los cerrojos que produce una mquina es una variable aleatoria normal, con media de 25 cm y desviacin estndar 0.15 cm. Las especificaciones requieren que los cerrojos tengan una longitud de 25 0.12 cm. Cuando un cerrojo no cumple estas especificaciones, se dice que es defectuoso. (a) Cul es la probabilidad de que un cerrojo producido por esa mquina sea defectuoso? (b) Se ajusta la mquina para que los tornillos producidos tengan media 26 cm y la misma desviacin estndar. Cul es la probabilidad de que un cerrojo producido por esa mquina sea defectuoso? (c) Se ajusta la mquina para que los tornillos producidos tengan una media de 25.5 cm y la misma desviacin estndar. Cul es la probabilidad de que un cerrojo producido por esa mquina sea defectuoso?
EJERCICIO

ww w.

(a) Encuentre la covarianza de X y Y. (b) Pruebe que si Cov(X, Y) = 0, entonces necesariamente X y Y son independientes.

ic

a1

N(/jLy, o%)9 su funcin de

.c om

5.26. La estatura promedio de un hombre de 21 aos es una variable aleatoria normal, con media de 170 cm y desviacin estndar de 5 cm. Cul es la probabilidad condicional de que un hombre de 21 aos de edad mida ms de 170 cm, dado que mide ms de 169 cm?
EJERCICIO

5.27. Las calificaciones de un grupo de estudiantes constituyen una variable aleatoria normal con media 7.5 y desviacin estndar 1. Qu proporcin de la poblacin tiene una calificacin acreditada?
EJERCICIO

ww w.

at em

at

ic

a1

.c om