Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
1
{
f ( x )= b−a
si a≤ x ≤ b
0 en otro caso
Este hecho también es fácil de demostrar. Utilizando t como una variable auxiliar en vez de x
en la función de densidad, la función de distribución queda:
x x
1 1
[ t ]t =a= x−a si a ≤ x <b
t =x
F ( x )=P ( X ≤ x ) =∫ f ( t ) dt=∫ dt=
a a b−a b−a b−a
Fx
a b
2
a+b ( b−a )
E ( X )= ; Var ( X ) =
2 12
∞ b b
1 1 x2 b2−a2 a+b
E ( X ) =∫ xf ( x ) dx=∫ x ∙
−∞ a
b−a
dx= = [ ]
b−a 2 a 2 ( b−a )
=
2
Lo mismo hacemos para obtener la varianza, pero usando el hecho que la varianza podemos
obtenerla de la siguiente manera,
2
Var ( X )=E ( X 2 )−( E ( X ) )
∞ b b
1 1 x3 b3−a3 b 2+ ab+a 2
2
−∞
2
E ( X ) =∫ x f ( x ) dx=∫ x ∙
a
b−a
dx= 2
=
b−a 3 a 3 ( b−a )
=[ ]
3
b2 + ab+a2 a+b 2 b 2+ ab+a 2 a 2+2 ab+ b2 4 b 2+ 4 ab+ 4 a2−3 a2−6 ab−3 b2 b 2−2 ab+a 2
Var ( X )=
3
−
2
= ( ) 3
−
4
=
12
=
12
Por otra parte, la función generadora de momentos de la distribución uniforme continua es:
e tb −e ta
M X ( t )=
t ( b−a )
Ejemplo 2.1: En las botellas de un detergente líquido se indica que el contenido es de 200
mililitros por botella. En la operación de producción se llenan las botellas uniformemente de
acuerdo con la siguiente función de densidad de probabilidad
1
f ( x )= si191 ≤ x ≤ 209 y f ( x )=0 en otro caso
18
a. ¿Cuál es la probabilidad de que el contenido de una botella esté entre 200 y 207 mililitros?
b. ¿Cuál es la probabilidad de que el contenido de una botella sea 205 mililitros o más?
c. Obtén el promedio de contenido de detergente en las botellas.
Diremos que la variable aleatoria continua X tiene una distribución normal con media μ y
varianza σ 2 si la función de densidad de probabilidad puede ser escrita como sigue:
2
− ( x− μ)
1 2σ
2
−∞< x < ∞ ;
f ( x )= e ;
σ √2 π −∞< μ <∞; σ 2 >0
P ( a ≤ X ≤ b )=∫ f ( x ) dx=∫ e dx
a a σ √2 π
Sin embargo, esta integral es difícil de resolver por lo que recurrimos a una transformación
llamada estandarización de una variable aleatoria. Esta transformación se ajusta a un tipo
especial de distribución normal donde el valor de la media es cero y el valor de la varianza es
uno, o sea, μ=0 y σ 2=1. Cuando se tiene este caso especial la función se llama distribución
normal estándar. Y para todos los cálculos de probabilidades de una variable aleatoria
normal utilizaremos la normal estándar, ya que para esta distribución se tiene una tabla de
valores posibles de la variable estandarizada con las respectivas probabilidades asociadas.
2 2
σ t
μt +
2
M X ( t )=e
Se toma una nueva variable aleatoria llamada Z que es de la distribución normal estándar
obtenida de la operación,
Z=( X−μ)/σ
Esta variable aleatoria, como ya mencionamos, tiene una distribución normal estándar
definida de la siguiente forma:
2
−z
1 2
f ( z )= e ;−∞< z < ∞; Z N ( 0 ,1 )
√2 π
En la siguiente figura mostramos el paso de una variable aleatoria X a una variable aleatoria
normal estándar Z.
Figura 4: Traslado de la variable aleatoria X a una normal estándar Z.
La probabilidad, como toda distribución continua, se define como el área encerrada entre la
función, el eje de abscisa y las rectas verticales a y b. Este hecho la observamos en la figura 5
Debemos notar que la tabla solo nos da valores positivos de z (ver apéndice), sin embargo
como la distribución es simétrica se cumple siempre que P ( 0 ≤ z ≤ z i ) =P (− zi ≤ z ≤ 0 ).
Supongamos que se tiene dos valores -1 y 1, entonces P ( 0 ≤ z ≤1 )=P (−1 ≤ z ≤ 0 )=0,3416.
2
x −( t− μ)
1 2σ
2
Figura 7: Gráficas de la función de distribución del modelo normal para algunos valores de μ
yσ
Ejemplo 2.2: Los errores de ciertas observaciones astronómicas siguen una distribución
normal con media 4 u. y una desviación típica de 2 u.
a. Calcula la probabilidad de que en una observación realizada al azar el error observado sea
superior a 4,5 u.
b. ¿Cuál será el valor del error de la observación que deje una probabilidad de 0,90 por
encima de él?
Solución: Sea X el valor del error de observación. Sabemos que X N ( μ=4 , σ 2 =22 ),
a. Necesitamos calcular P ( X > 4,5 ) por lo que estandarizando esta variable obtenemos
4,5−4
(
P ( X > 4,5 )=P Z >
2 )
=P ( Z >0,25 )
Y si graficamos nos quedaría como se muestra en la figura 8. Allí podemos ver que la
probabilidad de que Z sea mayor a 0,25 está pintada en azul oscuro mientras lo que nos da la
tabla de la normal estándar está pintado en un color más claro, por lo que debemos restar de
0,5 el área que obtengamos de la tabla, es decir,
P ( Z >0,25 ) =0,5−0,0987=0,4013
b. Ahora procedemos del paso inverso a lo realizado en el inciso anterior, es decir tenemos el
valor del área y a partir de él calculamos el valor de X .
Sabemos que Z=( X−μ)/σ , entonces X =μ+ Zσ. El valor de Z obtenido de la tabla es −1,28.
Le agregamos el signo negativo porque se encuentra a la izquierda de la media que es cero
justamente. Esto lo vemos en la figura 9.
X =1,44
Figura 9: Valores de las áreas, el valor de la Z y la X correspondiente
El valor exacto de 0,40 no se encuentra en la tabla, así que escogemos aquel valor que más se
aproxime y extraemos el valor deZ asociado.
Una de las propiedades importantes de esta función es que para valores enteros de α se
cumple que Γ ( α + 1 )=α Γ ( α ) lo que conduce a Γ ( α )=( α −1 ) !. Otra propiedad es que para
α =1/2 la función gamma toma el valor √ π , o sea Γ ( 1/2 )=√ π.
Sea una variable aleatoria continua X , diremos que la variable X tiene una distribución
gamma con parámetros α y β si su función de densidad de probabilidad es:
−x
1
{ α−1 β
f ( x )= Γ ( α ) β α x e si x> 0
0 en otro caso
Esta distribución es muy utilizada ya que proporciona diferentes perfiles que dependen de los
valores de α y β. Algunas de los perfiles podemos observarla en la siguiente figura:
Figura 10: Diferentes perfiles de la distribución gamma para algunos valores de α y β.
0 si x ≤ 0
F ( x )=P ( X ≤ x ) =
{ 1
α∫
Γ (α ) β 0
x −t
t α−1 e β dt si x >0
β αβ
E ( X )= Γ ( α + 1 )= Γ ( α)
Γ (α ) Γ (α )
Por lo que concluimos que E ( X ) =αβ
Demostración
∞ −x ∞ x
tx tx 1 α −1 β 1 tx−
β α −1
M X ( t )=E ( e ) =∫ e α
x e dx= α ∫ e x dx
0 Γ (α ) β Γ (α ) β 0
∞
1 ( −1
) x α −1
¿ α∫
e− − t + β x dx
Γ (α) β 0
Hagamos la transformación u=(−t+ β−1) x , luego x=u / ( −t+ β−1 ), por tanto dx=du/ (−t + β−1 )
∞ α −1
1 u du
M X ( t )= α∫
Γ ( α) β 0
e
−u
(
−t + β−1 ) −t + β−1
Pero −t + β−1=(−βt +1)/ β, y llevando esta resultado en la expresión de arriba nos queda,
∞ α−1 ∞
1 uβ βdu 1 1
M X ( t )= α∫
Γ ( α) β 0
e−u
1−βt ( ) = α∫
1−βt Γ ( α ) ( 1−βt ) 0
uα −1 e−u du=
Γ ( α ) ( 1−βt )
α
Γ ( α)
−α
Por lo tanto M X ( t )=( 1−βt )
Ejemplo 2.3: Una máquina industrial requiere para su mantenimiento un cierto tiempo cada
semana. Este tiempo de mantenimiento, en horas, suponemos que tiene una distribución
gamma con parámetros α =3 , β=2.
−x
1 β
{
f ( x )= β e para x >0
0 en otro caso
0 para x ≤ 0
F ( x )=P ( X ≤ x ) =
{
1−e
−x
β
para x >0
Por otro lado, la media y la varianza
de la distribución exponencial las
deducimos de las expresiones dadas en la distribución gamma, dándole valor 1 a α es decir
E ( X ) =β Var ( X )=β 2
Sea u=x /β, entonces uβ=x. Luego βdu=dx. Ahora definamos los límites superior e inferior
de la integral. Si x=β ,→ u=1 y si x=∞ , →u=∞. Por tanto nos queda,
∞ −x ∞
1 β β ∞
P ( X > β )= ∫e dx= ∫ e−u du=−e−u|1 =0,3679
β β β 1
Ejemplo 2.5: La llegada de ciertas personas a un bar tiene distribución de Poisson con λ=4
por día. Calcula la probabilidad que el tiempo transcurrido entre la llegada de dos personas de
manera consecutiva en un día sea menor a 4 horas.
Solución: Definamos como X al tiempo entre dos llegadas de manera consecutiva de dos
personas en días. Por los tanto X tendrá una distribución exponencial con β=1/ λ.
1
Como X esta medida en días, la pasamos en horas: 4 horas= días , entonces
6
1/ 6
1
( )
P ( X < 4 horas )=P X< días =4 ∫ e−4 x dx =0,4866
6 0
−x
1
{
f x = Γ ( v /2 ) 2v/ 2 x
( )
v/ 2−1
0 en otro caso
e 2 si x> 0
v/ 2 ∫
Γ ( v /2 ) 2 0
−t
t v/ 2−1 e 2 dt si x >0
E ( X ) =v Var ( X )=2 v
−v
2 1
M X ( t )=( 1−2 t ) para 0 ≤ t<
2
Antes de definir la distribución beta haremos mención de la función beta. La función beta, al
igual que la función gamma, cuenta con múltiples perfiles que dependen de los valore de α y
β, que son sus parámetros respectivos.
Sea una variable aleatoria continua X , diremos que esta variable tiene una distribución beta
si su función de densidad de probabilidad se puede escribir como:
Γ ( α + β ) α−1
{ β −1
f ( x )= Γ ( α ) Γ ( β ) x ( 1−x ) para 0< x <1
0 en otro caso
Podemos notar que la distribución beta está definida para valores de x mayores que cero y
menores que uno. Esto es útil ya que muchos fenómenos pueden modelarse en términos de
proporciones o porcentajes.
0 si x ≤0
{ ( )
x
F ( x )=P ( X ≤ x ) = Γ α + β ∫ t α−1 ( 1−t )β −1 dt si 0< x< 1
Γ (α ) Γ ( β ) 0
1 si x ≥1
α αβ
E ( X )= Var ( X )=
α+β 2
( α + β ) ( α + β+1 )
2.5
2, 3
0.5, 0.5
5, 1
2.0
1, 5
2, 5
1.5
1.0
0.5
0.0
Ejemplo 2.6: La proporción de productos con algún tipo de defecto producidos semanalmente
se puede modelar mediante una distribución beta con α =4 y β=2
α 4 2
E ( X )= = =
α + β 4+2 3
Sea el cociente entre una variable aleatoria normal estándar ( Z) y una variable aleatoria chi
cuadrada (V ) independientes entre sí. La variable aleatoria T =Z / √ V / v , con v grados de
libertad, sigue una distribuciónt de Student con función de densidad de probabilidad:
( v+ 1 )
[ ]
{
Γ ( πv )−1/ 2 − ( v +1) /2
2 t2
f ( t )= v ( ) 1+
v
si−∞<t <∞
Γ() 2
0 en otro caso
v es un entero positivo
( v +1 )
Γ [ ] 2
( πv )−1 /2 t
p2
− ( v+1 ) / 2
F ( t )=P ( T ≤ t ) =
v ( )
∫ v1+ dp
()
Γ
2
−∞
La media y la varianza para la distribución t de Student son:
v
E ( T )=0 si v>1 Var ( T )= si v >2
v−2
En la figura 15 mostramos
algunos perfiles de la distribución
t para ciertos valores de v. Debemos notar que a medida que v toma valores mayores la
distribución t se aproxima a una distribución normal estándar. Podemos denotar este hecho
utilizando la noción de límite,
La distribución t de Student al igual que la normal estándar está tabulada para algunos valores
de grados de libertad y ciertos valores de probabilidades acumuladas.
Definamos una variable aleatoria F que es el cociente entre dos variables chi cuadradas
independientes digamos U y V divididas entre sus grados de libertad. En efecto,
U /v 1
F=
V / v2
v 1/ 2
( v 1 + v 2) v 1
[ ]( )
g ( f )=
{ Γ
2 v2 f( )
v 1/ 2 −1
Γ ( v 1 /2 ) Γ ( v 2 /2 ) ( 1+ v 1 f /v 2 )( v + v )/ 2
0 en otro caso
1 2
si f > 0
Esta distribución también esta tabulada para valores distintos de los grados de libertad
(numerador y denominador) y ciertos valores de probabilidades acumuladas.
v2 2 v 22 ( v 1+ v 2−2 )
E ( X )= si v 2> 2Var ( X ) = 2
si v2 > 4
v 2−2 v 1 ( v 2−2 ) ( v 2−4 )
La distribución F siempre tiene una distribución asimétrica a hacia la derecha para cualquier
valor que puedan tomar v1 y v1 .
Si consideramos una variable aleatoria discreta X que tiene una distribución binomial con
μ= E ( X )=np y σ 2=Var ( X )=npq , entonces Z=( X −np ) / √ npq tiene una distribución normal
estándar cuando n → ∞ siempre que p no sea tan distinto de 0,5.
Consideremos ahora una variable aleatoria discreta X que tiene una distribución de Poisson
con μ= E ( X )=λ y σ 2=Var ( X )=λ , entonces Z=( X −λ ) / √ λ tiene una distribución normal
estándar cuando λ es grande.
P ( X=x ) P ( X −0,5−np
√ npq
≤Z ≤
X +0,5−np
√ npq )
X +0,5−np
P(Z ≤
√ npq )
P(X ≤x)
X−0,5−np
P(Z <
√ npq )
P ( X <x)
X−0,5−np
P(Z ≥
√ npq )
P(X ≥x)
X +0,5−np
P(Z >
√ npq )
P ( X >x)
X 1−0,5−np X +0,5−np
P ( x1 ≤ X ≤ x2 ) P ( √ npq
≤Z ≤ 2
√ npq )
X 1 +0,5−np X −0,5−np
P ( x 1< X < x 2) P ( √ npq
<Z < 2
√ npq )
Figura 17: Aproximación de la distribución normal a la binomial para algunos valores de n y
p
Ejemplo 2.7: Se lanza una moneda legal 300 veces al aire. Utiliza la distribución normal para
calcular la probabilidad de obtén,
Este teorema es uno de los más importantes e influyentes en el mundo de la estadística ya que
proporciona, de manera general, resultados coherentes y consistentes. A continuación
enunciaremos el teorema.
( X 1+ X 2+ ...+ X n )−nμ
n X́ −μ
Z= =
σ √n σ
n √n
Ejemplo 3.1: Se tiene una variable aleatoria X que representa la estatura de ciertos
estudiantes de una universidad. Se sabe por experiencia que el promedio de la estatura del
colegio es de 1,72 m. y con una desviación estándar de 0,20 m. Calcula la probabilidad de que
al seleccionar 50 estudiantes al azar la suma de sus alturas supere 88 m.
Por tanto, la probabilidad de que al seleccionar 50 estudiantes al azar la suma de sus alturas
supere 88 m. es del 7,93%
Ejemplo 3.2: Una empresa que fabrica tanques de agua sabe que la capacidad máxima en
promedio que tienen sus tanques es de 100 litros con una desviación estándar de 3 litros. Un
comerciante adquiere 70 tanques. ¿Cuál es la probabilidad de que los tanques tengan una
capacidad máxima promedio inferior a 98 litros?
Solución: Nuestra variable aleatoria es el promedio de litros que pueden tener los tanques.
Entonces la probabilidad de que los tanques tengan una capacidad máxima promedio inferior
a 99 litros es,
99−100
P ( X́ <99 )=P Z<
( 3
√ 70 )
=P ( Z ←2,79 )=0,5−0,4974=0,0026
Figura 18: Representación de la distribución normal para P ( Z ←2,79 ) del ejemplo 3.2
2 2
f ( x , y )=
1
2 π σ X σ Y √ 1−ρ 2
exp
{ −1
2
2 ( 1−ρ )
( x−μ X )
[ 2
σX (
−2 ρ
x−μ X
σX )( y−μ Y ( y −μ Y )
σY
+) σ 2Y ]}
Definamos ahora la matriz de varianza covarianza:
σ 2X ρσXσY
Σ=
( ρ σ X σY σ 2Y )
Donde podemos notar que esta matriz es simétrica, o sea Σ=Σ ' , ( Σ ' es la transpuesta de Σ),
2 2 2
también es definida positivamente. Además, el determinante de Σ es σ X σ Y −ρ ( σ X σ Y ), que es
siempre positiva, y la inversa de Σ es:
1 σ 2Y − ρ σ X σY
Σ−1= 2 2 2
(
σ X σ Y −ρ ( σ X σ Y ) −ρ σ X σ Y σ 2X )
Teniendo en cuenta todo lo anterior, podemos escribir f ( x , y ) de manera más compacta:
1 −1 x−μ X
f ( x , y )=
2 π √ det Σ
exp
{
−1
2
( x−μ X , y−μY ) Σ
y−μ Y ( )}
x −μ X
Donde ( x−μ X , y −μY ) es un vector fila y ( y −μY )
es un vector columna. Esta expresión nos
1 −1 2 2
f ( x , y )=
2 π √ 1−ρ 2
exp
2 {
(x +y ) }
Una gráfica de la distribución normal estándar bivariada con ρ=0 la podemos observar en la
figura 19.
Figura 19: Densidad normal estándar bivariada con ρ=0
2 2
f ( x , y )=
1
2π σXσY
exp
2 σ 2X { [
−1 ( x−μ X ) ( y−μ Y )
+
σ Y2 ]}
Y esto a su vez podemos escribirlo así,
−( x−μ X )2 −( y−μY )2
f ( x , y )=
1
√2 π σ X
exp
{
2σ 2X
∙
1
}
√ 2 π σY
exp
{
2σ 2Y }
Por lo tanto,
f ( x , y )=g ( x ) h ( y )
−( x−μ X )2 −( y−μY )2
g ( x )=
1
√2 π σ X
exp
{
2 σ 2X
y h ( y )=
} 1
√2 π σY
exp
{
2 σ 2Y }
Generalizamos la forma de la distribución normal para n variables aleatorias que es muy
utilizada en la rama de la estadística llamada Análisis Multivariado.
x 1−μ1
f ( x 1 , x 2 , ..., x n )=
1
{
2 π √ det Σ
exp
−1
2
( )}
x −μ
( x 1−μ1 , x 2−μ2 , … , xn −μn ) Σ−1 2 2
⋮
x n−μn
1)- Suponga que X tiene una distribución continua uniforme de 1 a 5. Determina la
probabilidad condicional P( X > 2,5∨X ≤ 4).
2)- Un autobús llega cada 10 minutos a una parada. Se supone que el tiempo de espera para un
individuo en particular es una variable aleatoria con distribución continua uniforme.
3)- Dada una distribución normal estándar, calcula el valor de k tal que;
a. P( Z> k )=0,2946
b. P( Z< k )=0,0427
c. P(−0,93< Z <k )=0,7235
4)- Encuentra las probabilidades de que una variable aleatoria normal con media μ y varianza
σ 2 se encuentre entre
5)- Un periódico llevo a cabo una encuesta entre 400 personas seleccionadas aleatoriamente
en una ciudad para conocer la opinión sobre el control de armas. 220 de las 400 opinaron a
favor de un estricto control.
a. ¿Qué tan probable resulta el hecho de tener 220 o más personas a favor del control de
armas, si la población es esa ciudad se encuentra dividida en igual opinión?
b. Suponga que se encuesta a 2000 personas teniendo la misma proporción de estas a favor
del control de armas, que en el inciso anterior. ¿Cómo cambiará la respuesta con relación
al inciso anterior?
7)- Una persona con una buena historia crediticia tiene una deuda promedio de $15015.
Suponga que la desviación estándar es de $3540 y que los montos de las deudas están
distribuidos normalmente.
a. ¿Cuál es la probabilidad de que la deuda de una persona con buena historia crediticia sea
mayor a $18000?
b. ¿De que la deuda de una persona con buena historia crediticia sea de menos de $10000?
c. ¿De que la deuda de una persona con buena historia crediticia esté entre $12000 y
$18000?
d. ¿De que la deuda de una persona con buena historia crediticia sea mayor a $14000?
8)- Los tiempos entre las llegadas de vehículos a un determinado entronque siguen una
distribución de probabilidad exponencial cuya media es 12 segundos.
a. ¿Cuál es la probabilidad de que los tiempos de llegada entre vehículos sean 12 segundos o
menos?
b. ¿Cuál es la probabilidad de que los tiempos de llegada entre vehículos sean 6 segundos o
menos?
c. ¿Cuál es la probabilidad de 30 o más segundos entre los tiempos de llegada?
9)- Un proceso produce 10% de artículos defectuosos. Si se seleccionan al azar 100 artículos
del proceso, ¿cuál es la probabilidad de que el número de defectuosos
10)- En cierta ciudad, el consumo diario de agua (en millones de litros) sigue
aproximadamente una distribución gamma con α = 2 y β = 3. Si la capacidad diaria de dicha
ciudad es de 9 millones de litros de agua, ¿Cuál es la probabilidad de que en cualquier día
dado el suministro de agua sea inadecuado?
12)- El costo medio de la colegiatura en una universidad estatal de Estados Unidos es $ 4260
anuales. Considera este valor como media poblacional y asuma que la desviación estándar
poblacional es σ =$ 900. Suponga que selecciona una muestra aleatoria de 50 universidades.
13)- La cantidad de tiempo que le toma al cajero de un banco con servicio en el automóvil
atender a un cliente es una variable aleatoria con una media μ=3,2 minutos y una desviación
estándar σ =1,6 minutos. Si se observa una muestra aleatoria de 64 clientes, calcula la
probabilidad de que el tiempo medio que el cliente pasa en la ventanilla del cajero sea
14)- Un contenedor tiene una capacidad máxima de 4 toneladas. Se sabe que ciertos paquetes
tienen en promedio 100 kilogramos. Calcula la probabilidad de que 11 paquetes cargados en
el contenedor superen la capacidad máxima. Utiliza una desviación estándar igual a 0,03
toneladas.