PyE T4

PROBABILIDAD Y ESTADSTICA
Notas de clase
Profesores: A. Leonardo Bauelos S.
Nayelli Manzanarez Gmez
)))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
A.L.B.S./ N.M.G.
TEMA IV
MODELOS PROBABILSTICOS COMUNES
INTRODUCCIN
Las variables aleatorias sirven para modelar problemas con incertidumbre en los cuales
la pregunta que se desea contestar est claramente delimitada. En muchas ocasiones los
problemas de inters, coinciden en la forma en la que se define la variable aleatoria, y
con ello su funcin de probabilidad o de densidad y estas coincidencias permiten la
formulacin de modelos. Los modelos o distribuciones de las variables aleatorias pueden
clasificarse en continuos y discretos.
DISTRIBUCIONES DISCRETAS
Una gran cantidad de fenmenos pueden modelarse utilizando distribuciones discretas
o continuas. Para el caso de las distribuciones discretas considrense los siguientes
ejemplos.
- En el lanzamiento de una moneda, cul es la probabilidad de obtener una guila?
- En el lanzamiento de monedas, cul es la probabilidad de obtener guilas?
- En un metro cuadrado de tela, cul es la probabilidad de observar defectos? etc.
Las distribuciones discretas que se estudiaran en este tema son:
Uniforme
Bernoulli
Binomial
Geomtrica
de Pascal (Binomial negativa)
Hipergeomtrica
de Poisson
DISTRIBUCIN DISCRETA UNIFORME
La distribucin discreta uniforme es una de las ms simples de todas las distribuciones
discretas de probabilidad. Es aquella en la cual la v.a. asume cada uno de sus valores con
la misma probabilidad.
Definicin 4.1
Sea una variable aleatoria. que toma los valores , con
igual probabilidad
,
entonces la distribucin es discreta uniforme con parmetro .
Se denota .
En la notacin , la variable aleatoria es , mientras que es un
parmetro del cual depende la distribucin . Puede utilizarse la notacin indicando el
1
parmetro, o simplemente . En las definiciones aqu mostradas se escribir la
funcin utilizando el parmetro, pero en la solucin de problemas se escribir
simplemente .
Teorema 4.1
Si es una variable aleatoria con distribucin discreta uniforme,
entonces:
Demostracin
De la definicin de valor esperado
Y de la definicin de la variancia
En realidad no es un parmetro. La distribucin discreta uniforme no tiene
1
parmetros, pero en este momento es de utilidad la notacin .
Probabilidad y Estadstica Tema IV Pg. 2
)))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
A.L.B.S./ N.M.G.
Debe observase la similitud entre las frmulas de la media y la variancia de una
v.a. discreta y las frmulas utilizadas en la estadstica descriptiva para la media y la
variancia de un conjunto de datos.
S))))))))))))))))))))))))))))))))))))Q
Ejemplo 4.1
Se selecciona a un alumno de un grupo de 10 para supervisar cierto trabajo,
escogiendo aleatoriamente el nombre de una caja que contiene 10 papeles
numerados del 1 al 10.
a) Obtener la frmula para la distribucin de probabilidad de que
representa el nmero del papel que se saca. Cul es la probabilidad
de que el nmero que se saque sea menor a 4?
b) Determinar la media y la variancia de .
Resolucin
a)
b)
S))))))))))))))))))))))))))))))))))))Q
DISTRIBUCIN DE BERNOULLI
Es el caso ms sencillo para modelar un experimento. Tiene nicamente dos resultados
posibles; satisfactorio o insatisfactorio, bueno o malo, alto o bajo, etc. que en general,
pueden denominarse xito (e) o fracaso (f), con probabilidades y ,
respectivamente.
Definicin 4.2
Sea la variable aleatoria que representa el nmero de xitos que se
obtienen al realizar un ensayo de Bernoulli, entonces tiene una
distribucin de Bernoulli con parmetro .
Se denota
La distribucin de Bernoulli tambin puede escribirse como:
Teorema 4.2
Si es una variable aleatoria con distribucin de Bernoulli, entonces:
La demostracin de la media y la variancia es inmediata a partir de la
definicin.
La limitante de la distribucin Bernoulli es que slo se tienen dos resultados y
el experimento slo se realiza una vez, por lo que sirve para el lanzamiento de una
moneda (que tambin se puede modelar con distribucin uniforme si la moneda es justa),
para el lanzamiento de un dado pero cuando interesa la observacin de un nmero en
particular contra la no ocurrencia de dicho nmero, etc.
)))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
A.L.B.S./ N.M.G.
La principal utilidad de la distribucin de Bernoulli se obtiene cuando se
generaliza la definicin de la variable aleatoria de Bernoulli. Para ello, considrese el
proceso de Bernoulli.
PROCESO DE BERNOULLI
Si se repite un ensayo de Bernoulli, se tiene entonces un proceso de Bernoulli.
El proceso de Bernoulli tiene las siguientes propiedades.
1) El experimento consiste de ensayos de Bernoulli.
2) Los resultados de cada ensayo pueden clasificarse como xito o fracaso.
3) La probabilidad de xito , permanece constante para todos los ensayos.
4) Los ensayos son independientes.
A partir del proceso de Bernoulli se pueden definir otras variables aleatorias,
como la binomial, la geomtrica y la de Pascal.
DISTRIBUCIN BINOMIAL
Definicin 4.3
Sea la variable aleatoria que representa el nmero de xitos que se
observan al realizar un proceso de Bernoulli, entonces recibe el
nombre de variable aleatoria binomial, con distribucin
Se denota:
2
La expresin de la distribucin binomial es inmediata al observar que se desean
xitos en ensayos, por lo que se tiene fracasos; puesto que el orden en el que se
obtienen los xitos y los fracasos no es importante, deben de considerarse todas las
posibilidades, por lo que
Teorema 4.3
Sea una variable aleatoria con distribucin binomial y parmetros
y , entonces:
S))))))))))))))))))))))))))))))))))))Q
Ejemplo 4.3
Supngase que los motores de un aeroplano operan en forma independiente y
tienen una probabilidad de falla de 0.4. Suponiendo que un aeroplano puede
realizar una vuelo seguro en tanto se mantengan funcionando al menos la mitad
de sus motores, determinar qu aeroplano, uno de 4 motores o uno de 2, tiene
mayor probabilidad de terminar su vuelo en forma segura.
Resolucin
Sea la variable aleatoria que representa el nmero de motores que funcionen
en el aeroplano de 2 motores, y sea la variable aleatoria que representa el
nmero de motores que funcionen en el aeroplano de 4 motores.
,
Entonces, para que los aeroplanos tengan un vuelo seguro se tiene:
Algunos autores denotan a la variable aleatoria binomial como o
2

)))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
A.L.B.S./ N.M.G.
Por lo que el aeroplano con 2 motores tiene una ligera probabilidad mayor de
terminar su vuelo en forma segura.
S))))))))))))))))))))))))))))))))))))Q
DISTRIBUCIN GEOMTRICA
Definicin 4.4
Sea la variable aleatoria que representa el nmero de ensayos de
Bernoulli que se requieren para observar por primera vez un xito,
entonces tiene una distribucin geomtrica con parmetro .
Se denota por .
La expresin de la distribucin geomtrica se deduce con facilidad al plantear
las probabilidades de una serie de fracasos consecutivos y finalmente un xito.
.
.
.
La distribucin geomtrica en efecto es una funcin de probabilidad. Para
probar que la suma de todos los posibles valores de es 1 se utiliza la serie geomtrica:
,
por lo que
Teorema 4.4
Sea una variable aleatoria con distribucin geomtrica con parmetro
entonces
y funcin generadora de momentos
Demostracin de la media
S))))))))))))))))))))))))))))))))))))Q
Ejemplo 4.3
Se supone que el 30% de los aspirantes para cierto trabajo industrial tiene un
entrenamiento avanzado en programacin computacional. Los aspirantes son
entrevistados, uno tras otro, y son seleccionados al azar del conjunto de
aspirantes. Determinar la probabilidad de que se encuentre el primer aspirante
con un entrenamiento avanzado en programacin en la quinta entrevista.
Resolucin
Sea la variable aleatoria que representa el nmero de entrevistas para obtener
al primer aspirante con entrenamiento avanzado.

S))))))))))))))))))))))))))))))))))))Q
Al calcular probabilidades con la distribucin geomtrica, puede ser de gran
utilidad su funcin de distribucin acumulada,
)))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
A.L.B.S./ N.M.G.
,
en donde es la probabilidad de fracaso y es la funcin parte entera.
DISTRIBUCIN DE PASCAL (Distribucin Binomial Negativa)
La distribucin de Pascal es una generalizacin de la distribucin geomtrica, as mismo
la distribucin Binomial Negativa es una generalizacin de la de Pascal, por lo que
algunos autores utilizan simplemente el nombre de distribucin Binomial Negativa.
Definicin 4.5
Sea una variable aleatoria que representa el nmero de ensayos de
Bernoulli que se requieren para observar el r-simo xito, si en cada uno
de los ensayos se tiene una probabilidad de xito , entonces tiene
una distribucin de Pascal con parmetros y .
Se denota por .
3
Teorema 4.5
Sea una variable aleatoria con distribucin de Pascal con parmetros
y , entonces
y funcin generadora de momentos
El nombre de Distribucin binomial negativa proviene del hecho de que los
valores de la distribucin , para son los
trminos sucesivos de la expansin binomial .
S))))))))))))))))))))))))))))))))))))Q
Ejemplo 4.4
Los empleados de una empresa que fabrica aisladores son examinados para
detectar la presencia de asbesto en sus pulmones. La empresa debe enviar tres
empleados con pruebas positivas de asbesto a un centro mdico para realizarles
ms exmenes. Si el 40% de los empleados tienen pruebas positivas de asbesto
en sus pulmones, encontrar la probabilidad de que se tenga que examinar 10
empleados para encontrar tres con asbesto en sus pulmones.
Resolucin
Sea la variable aleatoria. que representa el nmero de empleados que deben
examinarse para encontrar al tercero con asbesto en sus pulmones, entonces:

S))))))))))))))))))))))))))))))))))))Q
Ejemplo 4.5
Un gran lote de llantas contiene 10% de defectuosas, y de ah se elegirn cuatro
para colocarlas en un auto.
a) Obtener la probabilidad de que seis llantas deban seleccionarse del
lote para obtener cuatro en buen estado.
b) Calcular el valor esperado y la variancia del nmero de selecciones
que deben efectuarse para obtener cuatro llantas sin defectos.
Resolucin
a) Sea el nmero de llantas que deben ser seleccionadas hasta
encontrar cuatro en buen estado.

b)

o bien , y en algunos textos .
3
)))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
A.L.B.S./ N.M.G.
S))))))))))))))))))))))))))))))))))))Q
Tpico Especial: DISTRIBUCIN HIPERGEOMTRICA
Cuando se desea calcular la probabilidad de obtener xitos en ensayos, pero la
probabilidad en cada ensayo no se mantiene constante, sino que se ve modificada en
funcin de las extracciones anteriores, la distribucin binomial no puede utilizarse.
En estos casos se utiliza la distribucin hipergeomtrica.
En la prctica la diferencia entre la distribucin binomial y la distribucin
hipergeomtrica radica en el hecho de que para el caso de la binomial se considera que
la poblacin es infinita (o finita con reemplazo), mientras que para la hipergeomtrica
se considera que la poblacin es finita de tamao (y sin reemplazo) y en ella existen
elementos que satisfacen la caracterstica de inters (xitos).
Definicin 4.6
Si la variable aleatoria representa el nmero de xitos en ensayos
extrados de una poblacin de tamao , con elementos que tienen la
caracterstica de inters, entonces es una variable aleatoria
hipergeomtrica con parmetros , y ; y con funcin de
probabilidad:
Se denota
4
La deduccin de la frmula para la distribucin hipergeomtrica es inmediata
al considerar nmero de casos a favor entre nmero de casos totales aplicando las
tcnicas de conteo.
Debe observarse que la distribucin hipergeomtrica converge a la binomial
cuando . En la prctica, la distribucin binomial representa una buena
aproximacin a la hipergeomtrica siempre que .
Teorema 4.6
Sea una variable aleatoria con distribucin hipergeomtrica con
parmetros , y , entonces:
El cociente debe interpretarse como la proporcin de elementos que
cumplen la caracterstica de inters, o bien, como la probabilidad de observar un xito
en la primera extraccin. Entonces si se sustituye el valor esperado y la variancia
de una distribucin hipergeomtrica se pueden escribir
El valor esperado coincide con el de la distribucin binomial y la variancia slo
difiere en el factor , el cual recibe el nombre de factor de correccin por
poblacin finita y se denota .
Si entonces y los parmetros de la distribucin
hipergeomtrica coinciden con los de la binomial.
S))))))))))))))))))))))))))))))))))))Q
Ejemplo 4.6
Cul es la probabilidad de que una auditora de Hacienda detecte solamente dos
declaraciones de impuestos con deducciones ilegales, si se seleccionan
o .
4
)))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
A.L.B.S./ N.M.G.
aleatoriamente seis de 18 declaraciones, ocho de las cuales contienen
deducciones ilegales?
Resolucin
Sea la variable aleatoria que representa al nmero de declaraciones ilegales
detectadas, entonces:

S))))))))))))))))))))))))))))))))))))Q
Ejemplo 4.7
Un cargamento de 120 alarmas contra robo contiene cinco defectuosas. Si tres
de ellas son seleccionadas aleatoriamente y embarcadas para un cliente, obtener
la probabilidad de que al cliente le toque una defectuosa, utilizando
a) la frmula de la distribucin hipergeomtrica;
b) la frmula de la distribucin binomial como una aproximacin.
Resolucin
a) Sea la variable aleatoria que representa el nmero de alarmas
contra robo defectuosos de una muestra de tres, si en un lote de 120
slo cinco estn defectuosos

b) Sea la variable aleatoria que representa el nmero de alarmas
defectuosas.
S))))))))))))))))))))))))))))))))))))Q
DISTRIBUCIN DE POISSON
La distribucin de Poisson es una de las distribuciones discretas que tienen ms
aplicacin. Sirve cuando se desea calcular la probabilidad de ocurrencias de un evento
en un intervalo continuo determinado. En particular, se puede modelar el nmero de
llegadas por unidad de tiempo.
La distribucin de Poisson surge a partir del proceso de Poisson, el cual cumple
con las siguientes caractersticas.
1) Estacionaridad. La probabilidad de que ocurra un evento en un intervalo de
tiempo de longitud es , con constante. recibe el nombre de intensidad del
proceso.
2) Unicidad o No multiplicidad. La probabilidad de que ocurra ms de un
evento en un intervalo (de tiempo) de longitud ( ) es despreciable comparada
con la probabilidad de que ocurra solamente uno.
3) Independencia. El nmero de ocurrencias en cualquier intervalo de tiempo
es independiente del nmero de ocurrencias en cualquier otro intervalo.
Deduccin de la funcin de Probabilidad de Poisson a partir de la Distribucin
Binomial

Considrese la distribucin binomial
si para se cumple la relacin de modo que
, ,
entonces
)))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
A.L.B.S./ N.M.G.
Cuando , mientras que el tercer factor tiende a uno, por lo
que:
Para modificar la escala se sustituye por ,
que es la distribucin de Poisson obtenida anteriormente.
La escala no es indispensable para la distribucin de Poisson, puesto que
puede considerarse que se estudia sobre 1 unidad (de tiempo) con lo que .
Definicin 4.7
Sea una variable aleatoria con distribucin de Poisson, con parmetro
entonces
Se denota .
Comnmente, las unidades de la intensidad se consideran ,
pero en general son .
Teorema 4.7
Sea una variable aleatoria con distribucin de Poisson y parmetro ,
entonces:

Demostracin del valor esperado
La demostracin del valor esperado se simplifica si se utiliza la frmula de
recurrencia para la distribucin de Poisson,
de donde
,
o bien
por lo que
y para el lado izquierdo, si
y reescribiendo a como , sin cometer error, puesto que para la suma
funciona como variable muda,
Por lo que
)))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
A.L.B.S./ N.M.G.
S))))))))))))))))))))))))))))))))))))Q
Ejemplo 4.8
En promedio, en una cierta interseccin ocurren tres accidentes viales por mes.
Determinar las probabilidades de que en un determinado mes en esta
interseccin ocurran
a) exactamente cinco accidentes;
b) menos de tres accidentes.
Resolucin
Sea la variable aleatoria que representa el nmero de accidentes por mes.
a)
b)
S))))))))))))))))))))))))))))))))))))Q
Ejemplo 4.9
Si tiene una distribucin de Poisson con parmetro , y si
, calcular .
Nota: La distribucin de Poisson es:
;
Resolucin
De

S))))))))))))))))))))))))))))))))))))Q
APROXIMACIN DE LA DISTRIBUCIN DE POISSON A LA
BINOMIAL
Puesto que la distribucin de Poisson puede obtenerse como un caso lmite de la
distribucin binomial, no debe de sorprender que sirva para aproximar probabilidades
binomiales. Cuando es grande y pequea, las probabilidades binomiales se pueden
aproximar mediante la distribucin de Poisson utilizando
Una regla aceptable para emplear la aproximacin es que si entonces
; o si la aproximacin es muy buena para . En general,
mientras ms grande sea y ms pequea sea , tanto mejor ser la aproximacin.
S))))))))))))))))))))))))))))))))))))Q
Ejemplo 4.10
Si el 0.8% de los fusibles depositados en un lote estn defectuosos, utilizar la
aproximacin de Poisson para determinar la probabilidad de que cuatro fusibles
estn defectuosos en una muestra aleatoria de 400.
Resolucin
de donde
Sea la variable aleatoria que representa el nmero de defectuosos entre los
400, y la variable aleatoria que representa el
nmero de defectuosos,

S))))))))))))))))))))))))))))))))))))Q
)))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
A.L.B.S./ N.M.G.
Despus de estudiar las variables aleatorias discretas, deben de estudiarse aquellos
modelos que sirven para los experimentos cuyo resultado tome valores de un conjunto
continuo, lo que da lugar a las distribuciones continuas.
DISTRIBUCIONES CONTINUAS
Las distribuciones continuas que se estudiarn en este captulo, son:
Uniforme continua.
Exponencial.
Normal.
No son las nicas distribuciones continuas, algunas otras distribuciones son
Gamma, Erlang, t, F y la ji cuadrada. Las distribuciones t y ji cuadrada se estudiarn en
el tema 6.
DISTRIBUCIN CONTINUA UNIFORME
La distribucin continua uniforme es las ms simple de todas las distribuciones
continuas de probabilidad.
Definicin 4.8
Sea una variable aleatoria que se distribuye
entonces tiene una distribucin continua uniforme con parmetros
y .
Se denota .
En la notacin de la distribucin uniforme continua, debe observarse que se
tienen dos parmetros, por lo que no se puede confundir con la distribucin discreta
uniforme, puesto que la discreta se denota slo con un parmetro.
Teorema 4.8
Si es una variable aleatoria con distribucin continua uniforme,
entonces:
Las demostraciones son inmediatas al aplicar la definicin de valor esperado y
variancia.
Para la variable aleatoria continua uniforme, la funcin de distribucin
acumulada puede obtenerse integrando directamente, de donde:
que se utiliza en el siguiente ejemplo.
S))))))))))))))))))))))))))))))))))))Q
Ejemplo 4.11
El tiempo de un viaje (ida y vuelta) de los camiones que transportan el concreto
hacia una obra de construccin en una carretera, est distribuido uniformemente
en un intervalo de 50 a 70 minutos. Cul es la probabilidad de que la duracin
del viaje sea mayor a 65 minutos si se sabe que la duracin del viaje es mayor
a 55 minutos?
Resolucin
Sea la variable aleatoria que representa el tiempo del viaje, entonces
,
S))))))))))))))))))))))))))))))))))))Q
)))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
A.L.B.S./ N.M.G.
DISTRIBUCIN EXPONENCIAL
Dentro de un proceso de Poisson, considrese la variable aleatoria , que representa el
tiempo que transcurre entre dos ocurrencias sucesivas de un evento, lo cual llevar a la
distribucin exponencial.
Para obtener la funcin de densidad de una variable aleatoria con distribucin
exponencial, se obtendr primero la funcin de distribucin acumulativa, y puesto que
la variable aleatoria es continua la funcin de densidad se obtiene de la relacin
Si es una variable aleatoria con distribucin de Poisson, entonces
pero agregando a la distribucin la escala para el tiempo, se tiene:
por lo que:
Si la ocurrencia se da despus de ,
entonces antes de el nmero de
ocurrencias es igual a cero.
y calculando la probabilidad de
mediante la distribucin de Poisson.
Por lo que para obtener la funcin de densidad:
Definicin 4.9
Sea la variable aleatoria que representa el intervalo (generalmente
tiempo), que transcurre entre dos ocurrencias sucesivas de un evento,
entonces tiene una distribucin exponencial con parmetro y
funcin de densidad
Se denota por .
5
En ocasiones algunos autores utilizan el parmetro para definir a la funcin
de densidad exponencial, donde , por lo que la funcin de densidad queda:
Teorema 4.9
Sea una variable aleatoria con distribucin exponencial y parmetro
, entonces:
y la funcin generadora de momentos es:
Tambin se denota
5
.
)))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
A.L.B.S./ N.M.G.
S))))))))))))))))))))))))))))))))))))Q
Ejemplo 4.12
El tiempo, en horas, que tarda un gerente en entrevistar a un aspirante para un
trabajo, tiene una distribucin exponencial con . Los aspirantes estn
programados en intervalos de de hora, empezando a las 8:00 a.m., y los
aspirantes llegan exactamente a tiempo. Cuando el aspirante con una cita a las
8:15 a.m. llega a la oficina del gerente, cul es la probabilidad de que tenga
que esperar para poder ver al gerente?
Resolucin
Sea la variable aleatoria que representa el tiempo que tarda una entrevista,
entonces:

O bien, utilizando la funcin de distribucin acumulada, ,
se tiene:
S))))))))))))))))))))))))))))))))))))Q
Los problemas de probabilidad, pueden involucrar ms de una distribucin para
resolverlos. El siguiente ejemplo muestra el caso en el cual se utiliza la variable aleatoria
exponencial y luego se calcula un valor esperado de una variable aleatoria discreta.
S))))))))))))))))))))))))))))))))))))Q
Ejemplo 4.13
Un fabricante de un monitor de televisin comercial garantiza el cinescopio por
un ao (8760 horas). Los monitores se utilizan en terminales de aeropuerto para
programas de vuelo y estn encendidos en uso continuo. La vida media de los
tubos es de 20000 horas, y siguen una densidad de tiempo exponencial. El
costo de fabricacin, venta y entrega es de $3000 y el monitor se vende en el
mercado en $4000. Cuesta $1500 reemplazar el cinescopio cuando falla,
incluyendo material y mano de obra. El fabricante no tiene obligacin de
sustituir el cinescopio si ya ha habido una primera sustitucin. Cul es la
utilidad esperada del fabricante?
Resolucin
Sean la utilidad , y el tiempo de vida de un cinescopio.
Por lo tanto
Finalmente:
La utilidad ser de $467.99 por monitor.
S))))))))))))))))))))))))))))))))))))Q
La distribucin exponencial posee una caracterstica muy importante, la cual se
conoce como falta de memoria o amnsica. Es la nica variable aleatoria continua con
recorrido en los reales positivos que tiene esta propiedad.
La propiedad de falta de memoria dice que:
esto se comprueba con facilidad
DISTRIBUCIN NORMAL
La distribucin normal es una de las ms utilizadas en la prctica. Muchos problemas
reales tienen un comportamiento que se puede aproximar al de la distribucin normal.
Fue descubierta por DeMoivre en 1733 como una forma lmite de la distribucin
binomial, despus la estudi Laplace, aproximadamente en el ao de 1775 y en ocasiones
se le conoce como distribucin gausiana debido a que Gauss la cit en un artculo en
)))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
A.L.B.S./ N.M.G.
1809.
Durante los siglos XVIII y XIX se hicieron esfuerzos para establecer el modelo
normal como la ley bsica que rige las variables aleatorias continuas: de ah el nombre
"normal". Estos esfuerzos fracasaron.
Definicin 4.10
Si una variable aleatoria tiene una funcin de densidad dada por:
Donde y son constantes tales que , , entonces
tiene una distribucin normal con parmetros, media y variancia
, lo cual se denota por:
Propiedades de la funcin de densidad normal
1)
2)
3) ,
4) Es smtrica
5) El mximo ocurre en
6) Puntos de inflexin en
7) Curtosis igual a 3
Puesto que la distribucin normal es simtrica coinciden la media, la mediana
y la moda en el mismo valor. Por otro lado, la curtosis de la distribucin normal es 3, y
es por eso que la curtosis se compara contra dicho valor.
Para obtener la probabilidad de que la variable aleatoria se encuentre entre
y , es necesario resolver la integral:
que equivale a obtener el rea bajo la curva normal; sin embargo, no existe solucin
analtica exacta para la integral, por lo que su evaluacin se hace utilizando mtodos
numricos o tablas de la distribucin normal estndar.
Una variable estandarizada es aquella que tiene media 0 y variancia 1.
La grfica anterior muestra una curva normal con parmetros media 2 y variancia 4.
DISTRIBUCIN NORMAL ESTNDAR
La distribucin normal estndar es un caso particular de la distribucin normal, la cual
tiene como parmetros 0 y 1, es decir, tiene una media de cero y una variancia de 1. Se
denota mediante . El procedimiento para obtener una variable aleatoria
con distribucin normal estndar a partir de una variable aleatoria con distribucin
normal y parmetros cualesquiera es mediante un corrimiento y un escalamiento, lo que
lleva a la expresin:
donde .
)))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
A.L.B.S./ N.M.G.
La grfica anterior muestra una curva normal estndar.
La tabla del apndice 1 proporciona las probabilidades que se obtienen con la funcin
de distribucin acumulativa normal estndar (reas bajo la curva normal estndar de cola
izquierda). Por ejemplo, la probabilidad de que sea menor que 1.66, ,
es equivalente a encontrar el rea bajo la curva normal de menos infinito a 1.66. Esta
probabilidad se obtiene directamente de la tabla. La primera columna proporciona
enteros y un decimal mientras que el primer rengln proporciona el segundo decimal,
as, para encontrar el 1.66 se localiza en la primera columna el 1.6 y sobre ese rengln
se cruza con la columna cuyo encabezado es 0.06 obtenindose el valor de 0.9515.
Al obtener cualquier probabilidad que no proporcione directamente la tabla,
deber recordarse que la distribucin normal estndar es simtrica con respecto al
origen, y que el rea total bajo la curva es la unidad.
S))))))))))))))))))))))))))))))))))))Q
Ejemplo 4.14
Sea una variable aleatoria con media 0 y desviacin estndar 1, obtener:
a)
b)
Resolucin
Utilizando tablas de distribucin normal estndar
a)
Que se obtiene directamente de la tabla.
b)
Que se obtiene al realizar una diferencia de los valores encontrados en
la tabla, para 1.97 y -0.86.
S))))))))))))))))))))))))))))))))))))Q
Ejemplo 4.15
Los pesos de un nmero grande de perros de lana miniatura estn distribuidos
aproximadamente en forma normal con una media de 8 kilogramos y una
desviacin estndar de 0.9 kilogramos. Si se registran las mediciones y se
cierran a dcimas de kilogramo, encontrar la fraccin de estos perros de lana
con pesos
a) arriba de 9.5 kilogramos;
b) cuando mucho 8.6 kilogramos;
c) entre 7.3 y 9.1 kilogramos inclusive.
Resolucin
a) : es la variable aleatoria que representa el peso de los perros de lana
miniatura
La fraccin de perros de lana miniatura con peso por encima de 9.5
kilogramos es:
b)
La fraccin de perros de lana miniatura que pesan cuando mucho 8.6
kilogramos es:
c)
La fraccin de perros de lana miniatura que pesan entre 7.3 y 9.1
kilogramos es:
S))))))))))))))))))))))))))))))))))))Q
Teorema 4.10
Sea una variable aleatoria normal, , entonces la
funcin generadora de momentos est dada por:
La demostracin de este teorema se proporciona como tpico especial.
)))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
A.L.B.S./ N.M.G.
APROXIMACIN DE LA DISTRIBUCIN NORMAL A LA
BINOMIAL
Las probabilidades asociadas con una distribucin binomial, pueden obtenerse
fcilmente cuando es pequea, utilizando la expresin
pero si es grande, el clculo se complica. Una forma de resolver estos problemas es
mediante la aproximacin de Poisson, vista en el tema anterior, pero tiene el
inconveniente de que debe ser grande y pequea. Ahora se estudiar otra forma
de aproximar probabilidades binomiales utilizando la distribucin normal.
Teorema 4.11
Si es una v.a. con distribucin binomial con parmetros y
, entonces la forma lmite de la distribucin de
cuando , es la distribucin normal estndar .
En general, la aproximacin es adecuada cuando
y
o bien
y
Una forma de ilustrar la aproximacin, es mediante el histograma para la
distribucin binomial.
Finalmente, para realizar la aproximacin, es necesario realizar un ajuste por
continuidad, es decir, la variable aleatoria binomial es discreta, mientras que la variable
aleatoria normal es continua, por lo que debe realizarse un pequeo ajuste para mejorar
la aproximacin.
Si para una variable aleatoria con distribucin binomial se desea calcular la
probabilidad de que este entre y , el ajuste por continuidad est dado por:
donde es una diferencial de media unidad, i.e. representa media unidad de las
estudiadas.
S))))))))))))))))))))))))))))))))))))Q
Ejemplo 4.16
Si 20% de los residentes de cierta ciudad prefieren un telfono blanco que
cualquier otro color disponible, determinar la probabilidad de que entre los
siguientes 1000 telfonos que se instalen en esta ciudad
a) entre 170 y 185 inclusive sean blancos; y
b) al menos 210 pero no ms de 225 sean blancos.
Resolucin
Utilizando aproximacin normal, y con la variable aleatoria que represente
al nmero de telfonos blancos que se instalan.
a)
)))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
A.L.B.S./ N.M.G.

b)

S))))))))))))))))))))))))))))))))))))Q
NMEROS ALEATORIOS E INTRODUCCIN A LA SIMULACIN
La simulacin es una tcnica muy utilizada en la toma de decisiones cuando los modelos
probabilsticos son muy complejos para obtener la solucin analtica.
El desarrollo tecnolgico de los sistemas computacionales ha permitido que la
simulacin de procesos sea cada vez ms utilizada. En esta seccin se mostrar la forma
de generar variables aleatorias que sigan una distribucin en particular, utilizando el
mtodo de la transformada inversa, y posteriormente se ilustrarn unas aplicaciones muy
sencillas de simulacin.
Mtodo de la Transformada inversa
El mtodo de la transformada inversa consiste en relacionar la funcin de distribucin
de una variable aleatoria con un nmero aleatorio con distribucin uniforme entre cero
y uno. De las propiedades de la funcin de distribucin se sabe que

por lo que se iguala el nmero aleatorio con distribucin uniforme entre cero y uno con
la funcin de distribucin acumulativa para despejar de esa ecuacin la variable aleatoria
, que tendr la distribucin buscada.
Esto es, se iguala
y de ah se despeja a , tenindose
y al escribir a como variable aleatoria se tiene
))))))))))))))))))))))))))))))))))))Q
Ejemplo 4.17
Obtener una expresin para generar nmeros aleatorios con distribucin
exponencial utilizando el mtodo de la transformada inversa.
Resolucin
Si
entonces, su funcin de densidad es
y su funcin de distribucin acumulativa es
Al igualar con la variable aleatoria , con , se tiene:
)))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
A.L.B.S./ N.M.G.
De donde
pero si , entonces es su simtrico en el intervalo
de cero a uno y tambin es una variable aleatoria uniforme, por lo que
y se puede escribir:
de donde
y escribiendo en trminos de variables aleatorias
S))))))))))))))))))))))))))))))))))))Q
El mtodo de la transformada inversa tambin puede aplicarse para variables
aleatorias discretas. El siguiente ejemplo muestra la forma de hacerlo.
S))))))))))))))))))))))))))))))))))))Q
Ejemplo 4.18
Un vendedor de peridicos sabe que la demanda diaria de los peridicos que
tiene para venta est dada por:
0 1 2 3 4 5
0.1 0.2 0.3 0.2 0.15 0.05
Utilizar los nmeros aleatorios 0.4501, 0.0364, 0.5778, 0.8066 y 0.9591 para
determinar la demanda de cada uno de los siguientes 5 das.
Resolucin
La funcin de distribucin acumulada de la demanda diaria est dada por
0 1 2 3 4 5
0.1 0.3 0.6 0.8 0.95 1
El histograma de probabilidad sera
y se ilustra la aplicacin del mtodo de la transformada inversa para el valor
0.4501, el cual indica que en el primer da de la demanda es de 2 peridicos.
La regla de asignacin es:
Utilizando la regla de correspondencia, las demandas seran:
Da Demanda
1 0.4501 2
2 0.0364 0
3 0.5778 2
4 0.8066 4
5 0.9591 5
S))))))))))))))))))))))))))))))))))))Q
El mtodo de la transformada inversa sirve para obtener una frmula que
permita generar los nmeros aleatorios con la distribucin deseada, a dicha frmula se
le llama generador. Una vez que se tiene el generador, entonces se debe utilizar una
computadora o una calculadora que permita el manejo de hojas de clculo o de
)))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
A.L.B.S./ N.M.G.
programacin para obtener todos los nmeros aleatorios deseados y de ah la simulacin
del experimento.
Tpico Especial: Distribucin Binomial Negativa
Si la variable aleatoria representa el nmero de ensayos necesarios para observar el
xito, entonces es una variable aleatoria con distribucin de Pascal, ;
pero al modelar sobre el mismo experimento, se puede definir a la variable aleatoria ,
que representa el nmero de fracasos hasta que se observen los primeros xitos,
tenindose la relacin
y es una variable aleatoria que recibe el nombre de binomial negativa. Se puede
denotar por
aunque muchos autores utilizan la notacin o .
La funcin de probabilidad se deduce a partir de la distribucin de Pascal,
tenindose:
Utilizando la propiedad de simetra del coeficiente binomial, la distribucin
binomial negativa puede escribirse como
donde es un entero positivo.
La distribucin binomial negativa puede generalizarse para casos en los que
no es un entero, para ello slo es necesario generalizar la definicin del coeficiente
binomial a travs de la funcin gamma.
Definicin 4.11
Si y son nmeros reales, entonces
donde es la funcin gamma.
Utilizando esta extensin de la definicin del coeficiente binomial, la
distribucin binomial negativa puede escribirse como
;
O bien, en forma ms compacta
en donde el coeficiente binomial pude calcularse como:
para y enteros.
Y de la ltima expresin para puede observarse la razn de que se le
denomine distribucin binomial negativa. Para hacerlo evidente considrese la
probabilidad del espacio muestral, y a partir de ah, se escriben las probabilidades de la
distribucin, esto es:
Y utilizando el binomio de Newton (que ahora puede generalizarse tambin)
y los trminos
son las probabilidades de la variable aleatoria , el nmero de fracasos para observar los
)))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
A.L.B.S./ N.M.G.
primeros xitos.
Finalmente
Y del inicio
De donde
y se observa que el desarrollo del binomio negativo, proporciona los trminos de
probabilidad de la distribucin, de ah el nombre de binomial negativa.
S))))))))))))))))))))))))))))))))))))Q
Tpico Especial: Deduccin de la funcin de Probabilidad de Poisson a partir del
proceso de Poisson
Sea la probabilidad de tener ocurrencias en el intervalo de tiempo ,
entonces, si se cumplen las caractersticas del proceso de Poisson
1. La probabilidad de una sola ocurrencia en un intervalo muy pequeo es .
2. El intervalo es tan pequeo que la probabilidad de tener ms de una ocurrencia es
despreciable.
3. En un intervalo, los eventos son independientes.
Para observar ocurrencias en el intervalo , se tienen dos diferentes
(excluyentes) probabilidades.
1. Existen ocurrencias en , con probabilidad y ninguna en , con
probabilidad .
2. Existen ocurrencias en , con probabilidad y una ocurrencia en
con probabilidad .
De la suposicin de independencia, la probabilidad de observar ocurrencias
en es:
manipulando algebraicamente
si se toma el lmite cuando , entonces el lado izquierdo de la igualdad se
convierte en la derivada de , es decir,
. . . (a)
que es una ecuacin diferencial lineal con respecto a y una ecuacin en diferencias
finitas de primer orden con respecto a .
En particular, si , entonces (a) se convierte en
y puesto que (la probabilidad de tener -1 ocurrencias es cero)
Resolviendo por separacin de variables la ecuacin diferencial se tiene:
Y puesto que la probabilidad de tener cero ocurrencias en un intervalo de
longitud , debe ser uno, entonces , por lo que:
Si , entonces (a) se convierte en
)))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
A.L.B.S./ N.M.G.
y puesto que entonces
Se tiene una ecuacin diferencial no homognea. Para resolverla se debe
considerar la condicin inicial , puesto que la probabilidad de tener una
ocurrencia en un intervalo de longitud cero, , es cero.
Simplificando la notacin, si entonces:
aplicando la transformada de Laplace
6
antitransformando
En la notacin original
Procediendo de manera similar, para , de (a) se obtiene:
Al continuar el proceso se deduce que
expresin que recibe el nombre de distribucin de Poisson.
S))))))))))))))))))))))))))))))))))))Q
Tpico Especial: Funcin Generadora de Momentos de la Distribucin Normal
Si es una variable aleatoria con distribucin normal y parmetros y entonces
;
Y la funcin generadora de momentos es
Realizando el cambio de variable
Algunas frmulas bsicas son:
6
,
,
)))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
A.L.B.S./ N.M.G.
y se observa que la integral junto con el coeficiente , es la integral de
una funcin de densidad normal con media y variancia uno, por lo que
su valor es 1.
Finalmente la funcin generadora es:
AUTOEXAMEN TEMA IV
1.- En promedio, un jugador de beisbol conecta un "hit" en uno de tres intentos.
Asumiendo que los eventos son independientes, la probabilidad de que conecte
exactamente 3 "hits" en 6 intentos es:
A) B) C) D) E)
2.- En cierta ciudad, la probabilidad de que ocurra una tormenta en cualquier da
durante la primavera es 0.03. Suponiendo independencia, la probabilidad de
que la primera tormenta ocurra el da 20 de la primavera es:
A) 0.0168 B) 0.03 C) 0.5438 D) 0.5606
E) Ninguna de las anteriores.
3.- Un gerente de personal est entrevistando a empleados potenciales con el fin
de cubrir dos vacantes. La probabilidad de que el entrevistado tenga las
cualidades necesarias y acepte un ofrecimiento es 0.8. La probabilidad de que
el gerente deba entrevistar cuando mucho a 3 personas es:
A) 0.64 B) 0.36 C) 0.0256 D) 0.896
4.- Con el propsito de decidir si se aceptan los lotes de mercanca que enva una
fbrica, se lleva a cabo un procedimiento que consiste en seleccionar diez
artculos al azar de cada lote y determinar el nmero de defectuosos. Un lote se
rechaza siempre que se encuentren dos o ms artculos defectuosos entre los
diez seleccionados. Supngase que el nmero de artculos en cada lote es
grande y que cada lote contiene un 5% de defectuosos, entonces la
probabilidad de rechazar el lote es:
A) 0.0746 B) 0.914 C) 0.086 D) 0.599
E) 0.401
5.- En un crucero poco transitado, slo el 20% de los automviles hacen alto total
antes de cruzar. De los siguientes 40 automviles que transitan por el crucero,
el nmero esperado de ellos que hacen alto total es:
A) Prcticamente cero B) 6.4 C) 8 D) 32
6.- Un excursionista desea seleccionar el tipo de linterna de mano que debe llevar
en su siguiente campamento. Puede llevar una linterna de una sola batera de
6 V u otra que utiliza dos bateras tamao D de 1.5 V. En este momento tiene
dos bateras de 6 V y cuatro de 1.5 V y no puede comprar ms bateras. Si la
probabilidad de que cualquier batera funcione es 0.6 y funcionan de manera
independiente; entonces, las probabilidades de que las linternas de 6 V y de 3
V funcionen son, respectivamente:
A) 0.16, 0.179 B) 0.48, 0.346 C) 0.84, 0.821 D) 0.36, 0.13
7.- La probabilidad de que un alumno de cierta universidad tenga telfono celular
es 0.2. Entonces, la probabilidad de que el dcimo alumno entrevistado
aleatoriamente de esta universidad sea el quinto con telfono celular es:
A) 0.0001 B) 0.0032 C) 0.026 D) 0.0132
)))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
A.L.B.S./ N.M.G.
8.- En cierto da, se puso en prctica la segunda etapa del plan de contingencia
ambiental, en la Ciudad de Mxico. Si en la zona que le corresponde a un
supervisor hay 50 empresas, de las cuales 15 no siguieron los lineamientos de
la contingencia, entonces la probabilidad de que 3 empresas de las 10 que
verifica no sigan los lineamientos es:
A) 0.2979 B) 0.6 C) 0.09 D) 0.2668
9.- Si los aviones que llegan a un aeropuerto siguen un proceso de Poisson con una
tasa media de 8 aviones por hora. La probabilidad de que lleguen exactamente
10 aviones en las siguientes 2 horas es lo ms cercana a:
A) 0 B) 0.1126 C) 0.099 D) 0.0341
10.- En un sistema de cmputo de tiempo compartido, el nmero de peticiones de
telepuerto es 0.2 por milisegundo, en promedio, y sigue una distribucin de
Poisson. Entonces la probabilidad de que no lleguen peticiones durante los tres
milisegundos siguientes es:
A) 0.5488 B) 0.8187 C) 0.1822 D) 0.2729
E) Ninguna de las anteriores
11.- Ciertas resistencias se fabrican con una tolerancia de . Si se considera
que la resistencia real est distribuida uniformemente dentro de dicho intervalo,
la probabilidad de que una resistencia con valor nominal de 1000 tenga una
resistencia real entre 990 y 1010 es:
A) 0.8 B) 0.6 C) 0.4 D) 0.2 E) 0.1
12.- El precio que se pide por cierto artculo se distribuye normalmente con media
de $50.00 y desviacin estndar de $5.00. Los compradores estn dispuestos
a pagar una cantidad que tambin se distribuye normalmente con media de
$45.00 y desviacin estndar de $2.50. La probabilidad de que se realice la
transaccin es:
A) 0 B) 1 C) 0.187 D) 0.813 E) 0.255
13.- Una videocasetera tiene una distribucin de tiempo de falla exponencial, con
tiempo medio de 20 000 horas. Si la videocasetera ha durado 20 000 horas,
entonces la probabilidad de que falle a las 30 000 horas o antes es:
A) 0.606 B) 0.3935 C) Prcticamente cero D) 0.777
14.- De las siguientes curvas normales, con los parmetros que se indican, la que se
parece ms a la curva con parmetros y es:
A) B) C)
D) E)
15.- El tiempo de servicio en la ventanilla de cierto banco sigue una distribucin
exponencial con una media de 2 minutos. La probabilidad de que el tiempo de
servicio para el siguiente cliente sea de 3 minutos o ms es:
A) 0.25 B) 0.2231 C) 0.0024 D) 0.7769
16.- Si para una variable aleatoria normal se sabe que y
entonces la media y la variancia de son,
respectivamente:
A) 3 , 2 B) 2 , 3 C) 2 , 9 D) -2 , 3
E) Ningunos de los anteriores.
17.- Los parmetros de forma, sesgo ( ) y curtosis ( ) para una distribucin
normal deben tomar los valores:
A) , B) ,
C) , D) ,
E) ,
)))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
A.L.B.S./ N.M.G.
18.- Si es una variable aleatoria con distribucin normal con media 2 y variancia
9, y Z es una variable aleatoria normal estndar, entonces es
igual a:
A) B)
C) D)
19.- La precipitacin anual por lluvias en cierta regin tiene una distribucin normal
con y . La probabilidad de que en dos de los
prximos cuatro aos la precipitacin sea de ms de 44 es:
A) 0.004 B) 0.1587 C) 0.4761
D) 0.1069 E) Ninguna de las anteriores.
20.- Una llamada telefnica lleg a un conmutador en un tiempo aleatorio dentro
de un minuto. El conmutador estuvo completamente ocupado durante 15
segundos de ese perodo de un minuto. La probabilidad de que la llamada
llegara cuando el conmutador no estaba ocupado es:
A) 0.75 B) 0.99 C) 0.25 D) 1
BIBLIOGRAFA
Hines, William W. y Montgomery, Douglas C. - Probabilidad y Estadstica para
ingeniera, cuarta edicin..- CECSA.- Mxico, 2005.
Devore, Jay L.- Probabilidad y Estadstica para ingeniera y ciencias, sptima edicin.-
Editorial Cengage.- Mxico, 2008.
Milton, Susan J. Y Arnold, Jesse C.- Probabilidad y Estadstica para con aplicaciones
para ingeniera y ciencias computacionales, cuarta edicin.- McGraw-Hill.- Mxico,
2004.
Wackerly Dennis D.- Mendenhall, William, et al.- Estadstica Matemtica con
Aplicaciones, sexta edicin.- Editorial Thomson.- Mxico, 2002.
Walpole, Ronald E., et al.- Probability and Statistics for Engineers and Scientists.-
Pearson.- USA, 2007.
Montgomery, Douglas C. y Runger, George C.-Probabilidad y Estadstica aplicadas a la
Ingeniera, segunda edicin.- Limusa-Wiley.- Mxico, 2002.
Scheaffer, Richard L. y McClave, James T.- Probabilidad y Estadstica para Ingeniera.-
Grupo Editorial Iberoamrica.- Mxico, 1993.
Canavos, George C.- Probabilidad y Estadstica Aplicaciones y Mtodos.- McGraw-
Hill.- Mxico, 1988.
Meyer, Paul L.- Probabilidad y Aplicaciones Estadsticas.- Addison Wesley
Iberoamericana.- Mxico, 1992.
Borras Garca, Hugo E., et al.- Apuntes de Probabilidad y Estadstica.-Facultad de
Ingeniera.- Mxico, 1985.
Rosenkrantz, Walter A.- Introduction to Probability and Statistics for Scientists and
Engineers.- McGraw-Hill.- EE.UU., 1997.
Ross, Sheldon M.- Probabilidad y Estadstica para Ingeniera y Ciencias-McGraw-Hill.-
Mxico, 2002.
Garca, Francisco, et. al.- Simulacin de Sistemas para Administracin e Ingeniera.-
CECSA.- Mxico, 2005.
Coss Bu, Ral.- Simulacin un enfoque prctico.- Limusa.-Mxico, 1993.

PyE T4

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

PyE T4

Încărcat de

Drepturi de autor:

Formate disponibile

PROBABILIDAD Y ESTADSTICA

S-ar putea să vă placă și