Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
6-
SUMA DE VARIABLES
CENTRAL DEL LMITE
ALEATORIAS
TEOREMA
X ~ P(1 ) ; Y ~ P (2 ) ; X y Y independientes
X + Y ~ P(1 + 2 )
Dem.)
Consideramos el evento {X + Y = n} como unin de eventos excluyentes
{X = k , Y = n k } 0 k n , entonces
n
P ( X + Y = n) =
P( X = k ,Y = n k ) = P( X = k )P(Y = n k ) = e
k =0
k =0
1k
k =0
k!
e 2
2 n k
(n k )!
X e Y independientes
n
= e (1 + 2 )
k =0
1 k 2 n k
e ( 1 + 2 )
k! (n k )!
n!
n!
e (1 + 2 )
k
nk
=
(1 + 2 )n
1
2
n!
k = 0 k!(n k )!
n
Binomio de Newton
O sea X+Y tiene distribucin Poisson con parmetro 1 + 2
2- Suma de variables aleatorias binomiales independientes
{X + Y = k }
X + Y ~ B(n1 + n2 , p)
n1
n1
n1
n
n
P( X + Y = k ) = P( X = i, Y = k i ) = P( X = i ) P(Y = k i ) = 1 p i (1 p ) n1 i 2 p k i (1 p ) n2 k +i =
i =0
i=0
k =0 i
k i
X e Y independientes
n n
= p k (1 p) n1 + n2 k 1 2
i = 0 i k i
n1
r
En la expresin anterior si j > r entonces = 0
j
103
n1
n1 n2
i =0
n1 + n 2
i k i =
Y entonces
n +n
P( X + Y = k ) = 1 2 p k (1 p ) n1 + n2 k
k
O sea X+Y tiene distribucin binomial con parmetros n1 + n 2 y p
Observacin: en los dos casos anteriores se puede generalizar el resultado a n variables aleatorias
independientes, usando el principio de induccin completa, es decir
1- Si X 1 , X 2 ,..., X n son n variables aleatorias independientes donde X i ~ P(i ) para todo
n
i = 1,2,..., n entonces
~ P ( i )
i =0
i=0
i = 1,2,..., n entonces
~ B ( ni , p )
i =0
i =0
por
f X +Y ( z ) =
g ( z y )h( y)dy
ces X + Y ~ N 1 + 2 , 1 + 2
2
) y Y ~ N ( , ) enton2
i = 1,2,..., n entonces
i =0
i =0
i =1
~ N ( i , i2 )
aX + b ~ N(a + b, a 2 2 ) tenemos:
i =0
i =0
i =1
104
Se dice que
a X
i
i =0
Ejemplos:
1- La envoltura de plstico para un disco magntico est formada por dos hojas. El espesor de cada
una tiene una distribucin normal con media 1.5 milmetros y desviacin estndar de 0.1 milmetros. Las hojas son independientes.
a) Determine la media y la desviacin estndar del espesor total de las dos hojas.
b) Cul es la probabilidad de que el espesor total sea mayor que 3.3 milmetros?
Solucin: Sean las variables aleatorias
X: espesor de la hoja 1 e Y: espesor de la hoja 2
Entonces X ~ N( 1.5,0.12 ) ; Y ~ N( 1.5,0.12 ) y X e Y independientes
a) Si definimos la v.a. Z: espesor total de las dos hojas , entonces Z = X + Y
Por lo tanto Z ~ N( 1.5 + 1.5, 0.12 + 0.12 ) es decir Z ~ N( 3, 0.02)
En consecuencia E ( Z ) = 3 , Z = V ( Z ) = 0.02
b) Se pide calcular P ( Z > 3.3)
Z 3 3. 3 3
3.3 3
P ( Z > 3.3) = P
>
= 1
= 1 (2.12132 ) = 1 0.983 = 0.017
0.02
0.02
0.02
2-Tengo tres mensajes que atender en el edificio administrativo. Sea Xi : el tiempo que toma el isimo mensaje (i = 1, 2 ,3), y sea X4 : el tiempo total que utilizo para caminar hacia y desde el
edificio y entre cada mensaje. Suponga que las Xi son independientes, normalmente distribuidas, con las siguientes medias y desviaciones estndar:
1 = 15 min, 1 = 4, 2 = 5, 2 = 1, 3 = 8, 3 = 2, 4 = 12, 4 = 3
Pienso salir de mi oficina precisamente a las 10.00 a.m. y deseo pegar una nota en mi puerta que
dice regreso a las t a.m. A qu hora t debo escribir si deseo que la probabilidad de mi llegada
despus de t sea 0.01?
Solucin: Definimos la v.a. Z: tiempo transcurrido desde que salgo de mi oficina hasta que regreso, entonces T = X 1 + X 2 + X 3 + X 4
4
Por lo tanto T ~ N i ,
i =1
4
i =1
i =1
= 15 + 5 + 8 + 12 = 50 y
= 4 2 + 12 + 2 2 + 3 2 = 30
i =1
t 50
t 50
Entonces P (T > t ) = 1
= 0.01 , es decir
= 0.99
30
30
t 50
Buscando en la tabla de la normal
= 2.33 t = 2.33 30 + 50 = 62.7619
30
3- El ancho del marco de una puerta tiene una distribucin normal con media 24 pulgadas y desviacin estndar de 1/8 de pulgada. El ancho de la puerta tiene una distribucin normal con media 23.875 de pulgadas y desviacin estndar de 1/16 de pulgadas. Suponer independencia.
a) Determine la distribucin, la media y la desviacin estndar de la diferencia entre el ancho
del marco y de la puerta.
105
b) Cul es la probabilidad de que la diferencia entre el ancho del marco y de la puerta sea mayor que de pulgada?.
c) Cul es la probabilidad de que la puerta no quepa en el marco?.
Solucin: Sean las variables aleatorias
X: ancho del marco de la puerta en pulgadas
Y: ancho de la puerta en pulgadas
Entonces X ~ N( 24, (1/8) 2 ) , Y ~ N( 23.875, (1/16) 2 ) , X e Y independientes
a) Se pide la distribucin de X-Y , E ( X Y ) , X Y = V ( X Y )
E ( X Y ) = E ( X ) E (Y ) = 24 23.875 = 0.125
2
5
1 1
V ( X Y ) = V ( X ) + V (Y ) = + =
256
8 16
2
16
X Y =
5
16
2 5
0.25 0.125
5
5
16
2 5
2 5
0 0.125
= 1
P ( X Y < 0) =
=
5 = 0.1867
5
5
16
4- Supongamos que las variables aleatorias X e Y denotan la longitud y el ancho en cm, respectivamente, de una pieza.
Supongamos adems que X e Y son independientes y que X ~ N(2 , 0.12 ) , Y ~ N(5 , 0.22 ).
Entonces Z = 2X + 2Y es una v.a. que representa el permetro de la pieza.
Calcular la probabilidad de que el permetro sea mayor que 14.5 cm.
0.2
2
5- Si se aplican dos cargas aleatorias X 1 y X 2 a una viga voladiza como se muestra en la figura siguiente, el momento de flexin en 0 debido a las cargas es a1 X 1 + a 2 X 2 .
a) Suponga que X 1 y X 2 son v.a. independientes con medias 2
y 4 KLbs respectivamente, y desviaciones estndar 0.5 y
1.0 KLbs, respectivamente.
106
65
4
Z =
65
4
65
Por lo tanto
10 65
75 50
= 1 (6.20 ) 1 1 = 0
P( Z > 75) = 1
= 1
65
13
media y varianza
i =1
2
n
X
i =1
1
para todo i = 1,2,..., n
n
2
Adems en este caso i = y i = 2 para todo i = 1,2,..., n
donde a i =
n
1
1
1
=
= n =
i
n
i =1 n
i =1 n
y varian-
za
2
n
2
1 2
1 2 1
2
=
=
n
=
i
n
n
i =1 n
i =1 n
2
Es decir, X ~ N ,
n
Ejemplos:
1) El dimetro interno de un anillo de pistn seleccionado al azar es una v.a. con distribucin normal con media 12 cm y desviacin estndar de 0.04 cm.
a) Si X es el dimetro promedio en una muestra de n = 16 anillos, calcule P (11.99 X 12.01)
b) Qu tan probable es que el dimetro promedio exceda de 12.01 cuando n = 25 ?
Solucin:
a) Sean las variables aleatorias X i : dimetro del anillo i i = 1,2,...,16
16
P (11.99 X 12.01) = P (
11.99 12
0.04 2
16
12.01 12
=
0.04 2
16
= 2 0.8413 1 = 0.6826
X 12
0.04 2
16
12.01 12
0.04 2
)=
16
11.99 12
0.04 2
16
= 1 1 = 2 (1) 1 =
() ( )
25
12.01 12
P ( X > 12.01) = 1
= 1 (1.25) = 1 0.8944 = 0.1056
2
0.04
25
2) Una mquina embotelladora puede regularse de tal manera que llene un promedio de onzas
por botella. Se ha observado que la cantidad de contenido que suministra la mquina presenta una
distribucin normal con = 1 onza. De la produccin de la mquina un cierto da, se obtiene una
muestra de 9 botellas llenas (todas fueron llenadas con las mismas posiciones del control operativo) y se miden las onzas del contenido de cada una.
a) Determinar la probabilidad de que la media muestral se encuentre a lo ms a 0.3 onzas de la
media real para tales posiciones de control
b) Cuntas observaciones deben incluirse en la muestra si se desea que la media muestral est a
lo ms a 0.3 onzas de con una probabilidad de 0.95?
108
Solucin:
a) Sean las variables aleatorias X i : contenido en onzas de la botella i i = 1,2,...,9
Entonces X i ~ N ( ,1) para cada i.
1
Por lo tanto X ~ N , . Se desea calcular
9
0. 3
X
0.3
P( X 0.3) = P(0.3 X 0.3) = P
n
n
n
0.3
X
0.3
X
= P
= P 0. 9
0.9 = (0.9) (0.9) =
n
n
n
n
= 2(0.9) 1 = 0.6318
b) Ahora se pretende que
P( X 0.3) = P( 0.3 X 0.3) = 0.95
Entonces
0.3 X
0.3
X
P( X 0.3) = P
= P 0.3 n
0.3 n = 0.95
n
n
n
n
X
P 0.3 n
0.3 n = 2 0.3 n 1 = 0.95 0.3 n = 0.975 0.3 n = 1.96
1
1.96
O sea n
= 42.68
0.3
Si tomamos n = 43 , entonces P( X 0.3) ser un poco mayor que 0.95
109
1
x
2
2
n
n
2
X
S n n
n
z = P
z = P
2- Notar que P
, por lo tanto tambin se puede
2
2
n
n
n i =1
n
1
2
dx
3- Aunque en muchos casos el T.C.L. funciona bien para valores de n pequeos , en particular
donde la poblacin es continua y simtrica, en otras situaciones se requieren valores de n mas
grandes, dependiendo de la forma de la distribucin de las X i . En muchos casos de inters prctico, si n 30 , la aproximacin normal ser satisfactoria sin importar cmo sea la forma de la distribucin de las X i . Si n < 30 , el T.C.L. funciona si la distribucin de las X i no est muy alejada
de una distribucin normal
4- Para interpretar el significado del T.C.L., se generan (por computadora) n valores de una v.a.
exponencial con parmetro = 0.5 , y se calcula el promedio de esos n valores. Esto se repite 1000
veces, por lo tanto tenemos 1000 valores de la v.a. X .
110
n=2
150
80
n=5
60
100
40
50
20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
1 2 3 4 5 6 7 8 91011121314151617181920212223242526272829303132
40
50
n = 30
n = 15
40
30
30
20
20
10
10
1 2 3 4 5 6 7 8 91011121314151617181920212223242526272829
Ejemplos:
1- Supngase que 30 instrumentos electrnicos D1, D2, ......,D30, se usan de la manera siguiente: tan
pronto como D1 falla empieza a actuar D2. Cuando D2 falla empieza a actuar D3, etc. Supngase
que el tiempo de falla de Di es una v.a. distribuida exponencialmente con parmetro = 0.1 por
hora. Sea T el tiempo total de operacin de los 30 instrumentos. Cul es la probabilidad de que T
exceda 350 horas?
Solucin:
Si X i : tiempo de falla del instrumento Di
Entonces X
i = 1,2,...,30
E (T ) = E X i = 30 E ( X i ) = 30
= 300
0.1
i =1
30
111
1
30
V (T ) = V X i = 30 V ( X i ) = 30 2 = 3000
0.1
i =1
T 300
Entonces por T.C.L.
~ N(0,1) aproximadamente pues n = 30
3000
La probabilidad pedida es
T 300 350 300
350 300
P(T > 350) = P
>
1
= 1 (0.9128) = 1 0.81859 = 0.18141
3000
3000
3000
T.C.L.
2- Suponga que el consumo de caloras por da de una determinada persona es una v.a. con media
3000 caloras y desviacin estndar de 230 caloras. Cul es la probabilidad de que el promedio
de consumo de caloras diario de dicha persona en el siguiente ao (365 das) sea entre 2959 y
3050?
Solucin:
Definimos las variables aleatorias
X i : cantidad de caloras que una persona consume en el da i i = 1,2,...,365
Se sabe que E ( X i ) = 3000 y V ( X i ) = 230 2
1 365
2 230 2
=
X i entonces E ( X ) = 3000 y V ( X ) =
365 i =1
n
365
La probabilidad pedida es
230
230
230
365
365
365
Si X =
3050 3000
2959 3000
230
= (4.15) ( 3.40 ) 1 0 = 1
230
365
365
T.C.L.
debemos hacer la suma P( X k ) = P( X = i ) o recurrir a las tablas de la F.d.a. , pero para valoi=0
res de n grandes no existen tablas, por lo tanto habra que hacer el clculo en forma directa y muchas veces es laborioso.
Como una opcin podemos considerar a X como suma de variables aleatorias ms simples, especficamente, si definimos
112
Xi =
i = 1,2,..., n
0
caso contrario
Tambin se puede usar esta correccin para mejorar la aproximacin en otros casos, especficamente en lugar de P( X k ) calculamos
1
P ( X k ) P X k +
2
Y en lugar de P( X k ) P X k
2
En los grficos siguientes se muestra para diferentes valores de n y p cmo aproxima la distribucin N (np, np (1 p )) a la distribucin B (n, p )
0.175
0.15
0.125
0.2
n = 25
p = 0.7
n = 15
p = 0.5
0.15
0.1
0.1
0.075
0.05
0.05
0.025
5
10
15
20
25
10
12
14
113
0.35
0.3
0.25
0.08
n =15
p = 0.9
n = 100
p = 0.7
0.06
0.2
0.04
0.15
0.1
0.02
0.05
5
10
15
50
20
60
70
80
90
100
0.4
0.1
n = 150
p = 0.1
0.08
n = 10
p = 0.1
0.3
0.06
0.2
0.04
0.1
0.02
20
40
60
80
100
120
140
10
Ejemplos:
1- Sea X B(25,0.4). Hallar las probabilidades exactas de que X 8 y X = 8 y comparar estos
resultados con los valores correspondientes encontrados por la aproximacin normal.
Solucin:
De la tabla de la F.d.a. de la binomial encontramos P( X 8) = 0.274
Y P( X = 8) = P( X 8) P( X 7) = 0.274 0.154 = 0.120
Ahora usamos la aproximacin normal
X np
8.5 10
( 0.61) = 0.2709
P( X 8) P ( X 8.5) = P
np (1 p )
25
0
.
4
0
.
6
X 10
P( X = 8) P(7.5 X 8.5) = P
= P 1.02
0.61 =
6
6
6
6
114
2- Suponga que el 10% de todos los ejes de acero producidos por cierto proceso estn fuera de
especificaciones, pero se pueden volver a trabajar (en lugar de tener que enviarlos a la chatarra).
Considere una muestra aleatoria de 200 ejes y denote por X el nmero entre ellos que estn fuera
de especificaciones y se puedan volver a trabajar. Cul es la probabilidad (aproximada) de que X
sea
a) a lo sumo 30?
b) menos de 30?
c) entre 15 y 25 (inclusive)?
Solucin:
Sea la v.a. X: nmero de ejes fuera de especificaciones
Entonces X ~ B ( 200, 0.1) , adems np = 200 0.1 = 20 > 5 y n(1 p ) = 200 (1 0.1) = 180 > 5
Por lo tanto podemos aplicar la aproximacin normal a la binomial
a) la probabilidad pedida es P ( X 30)
X np
30.5 20
30.5 20
P ( X 30) P ( X 30.5) = P
= (2.474 ) = 0.993244
np (1 p )
18
18
c)
25.5 20
14.5 20
P (15 X 25) P (14.5 X 25.5)
=
18
18
Entonces planteamos
0.15n
P X p 0.15 = P ( 0.15 X p 0.15) = P
np (1 p )
X np
np (1 p )
np (1 p )
0.15n
115
T.C.L.
0.15n
0.15n 0.98 + 1
Por lo tanto
= 0.99
np(1 p )
2
Adems
0.15n
np (1 p)
0.15 n
p (1 p )
0.15 n
0.5(1 0.5)
= 0.3 n
2.33
Entonces debe cumplirse que 0.3 n 2.33 o sea n
= 60.3211
0.3
O sea se debe tomar una muestra de al menos 61 clientes
cin N (0,1)
N (0,1)
X
i =1
n
~ P 1 , es decir
i =1
~ P ( n)
i =1
i =1
rmetros n = n 1 = n y n 2 = n 1 = n
n
O sea la distribucin de
i =1
X n
n
grandes
En los grficos siguientes se muestra para diferentes valores de cmo aproxima la distribucin
N ( , ) a la distribucin P( )
116
0.05
0.2
= 50
0.04
=3
0.15
0.03
0.1
0.02
0.05
0.01
20
40
60
80
100
10
15
20
25
30
Ejemplo:
El nmero de infracciones por estacionamiento en cierta ciudad en cualquier da hbil tiene una
distribucin de Poisson con parmetro = 50. Cul es la probabilidad aproximada de que:
a) entre 35 y 70 infracciones se expidan en un da en particular?
b) el nmero total de infracciones expedidas durante una semana de 5 das sea entre 225 y 275?
Solucin:
Sea X: nmero de infracciones por estacionamiento en cierta ciudad en cualquier da hbil
Entonces X ~ P ( ) donde = 50
X 50
Como = 50 entonces
N (0,1) (aproximadamente)
50
a) la probabilidad pedida es
70 50
35 50
P(35 X 70 )
= (2.8284 ) ( 2.12132 ) =
50
50
= 0.997599 0.017 = 0.9805
b) Sea Y: nmero total de infracciones expedidas durante una semana de 5 das
Entonces Y ~ P( ) donde = 50 5 = 250
La probabilidad pedida es
275 250
225 250
P(225 Y 275)
= (1.5811) ( 1.5811) =
250
250
117