ESTADSTICA PARA ADMINISTRACIN Y ECONOMA

CONTIENE: CAPTULO 5

AUTORES: NEWBOLD, P., W. L. CARLSON Y B. THORNE.

FOTOCOPIADO DE: ESTADSTICA PARA ADMINISTRACIN Y ECONOMA. 6TA EDICIN. MADRID: PEARSON PRENTICE HALL.

SEMESTRE: SEGUNDO SEMESTRE DE 2013

USO EXCLUSIVO ALUMNOS FACEA, PARA FINES DE DOCENCIA E INVESTIGACIN

Capitu lo

VARIABLES ALEATORIAS CONTINUAS Y DlSTRlBUClONES D E PROBABILIDAD

5.1 VARIABLES ALEATORIAS CONTINUAS

En este capitulo, analizaremos 10s postulados de probabilidad sobre variables aleatorias que toman valores en un continuo. Se ajustan naturalmente en esta categoria las medidas de tiempo, distancia o temperatura. En estps casos, la probabilidad de que la variable aleatoria tome un determinado valor -por ejemplo, 1 ' 8probabilidad de que un coche recorra exactamente 11,27 kil6metros por litro de gasolina- es 0. TambiCn resulta conveniente considerar como continuas las variables aleatorias que siendo discretas se miden en una rejilla de valores tan fina, que la probabilidad de cada valor especifico es despreciable. Por ejemplo, si estudiamos la deuda en la que incurren 10s estudiantes de un programa de master, la deuda serh ciertamente un ndmero entero de pesetas. A pesar de ello, la probabilidad de que un estudiante elegido a1 azar se haya endeudado en exactamente 927.457 pesetas es suficientemente pequeiia como para considerar la variable aleatoria como continua. A pesar de que no tiene sentido asignar probabilidad a valores especificos de una variable aleatoria continua, si podemos estar interesados en la probabilidad de que la variable pertenezca a determinado intervalo. Por ejemplo, puede ser dtil calcular la probabilidad de que un coche recoma entre 11 y 12 kil6metros por litro de gasolina o la probabilidad de que la deuda de'un estudiante de master estC entre 900.000 y 1.000.000 de pesetas. Por tanto, para caracterizar la distribucidn de probabilidad de una variable aleatoria continua, una forma natural de empezar (corno hicimos en la introducci6n de variables aleatorias discretas) es con la idea de probabilidad acumulada. Esto nos proporcionarh una medida de la probabilidad de que una determinada variable aleatoria sea menor o igual que un valor especifico.

5.2 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLES ALEATORIAS CONTINUAS

Como en el Capitulo 4, sea X una variable aleatoria y x un valor especifico que Csta puede tomar. En este contexto, llarnaremos funci6n de distribucidn acumulada a la probabilidad de que X sea menor o igual que x. Este concept0 es anfilogo a la funci6n de probabilidad acumulada del Capitulo 4.

Definicion:
La funci6n de distribuci6n acumulada Fx(x) de una variable aleatoria continua X expresa la probabilidad de que X sea menor o igual que x, como funci6n de x, es decir,

Para ilustrar lo anterior, introduciremos una variable aleatoria que tiene una estructura de probabilidad particularmente sencilla. Como un ejemplo de su utilidad, supongamos que tenemos un tdnel de un kil6metro de largo y que estamos estudiando las pasibles averias en el interior del tdnel. Sea la variable aleatoria X el punto dentro del tbnel, medido en kildmetros desde una de las entradas, en el que ocurre una averia, y supongamgs que en cualquier tramo del tdnel de longitud dada, la probabilidad de averia es idCntica a la de cualquier otro tramo de igual longitud. Entonces, la distribucidn de X se dice que es uniforme en el rango 0 a 1. La funci6n de distribucidn acumulada para esta variable aleatoria es

Esta funci6n. que entre x = 0 y x = 1 es una linea recta, se encuentra dibujada en la Figura 5.1. Utilizando esta funcidn, podemos ver que la probabilidad de que ocurra una averia en el primer cuarto de kil6metro del hinel es

Supongamos ahora que queremos calcular la probabilidad de que una variable aleatoria continua pertenezca a determinado intemalo. Sean 10s extremos de dicho intemalo, X=a y X=b, con b>a, es decir lo que queremos calcular es P(a<X<b)'. Si X es menor que b, entonces o bien es menor que a o bien estfi entre a y b. Ademfis, como 10s sucesos mencionados son mutuamente excluyentes

Entonces, por la definicidn de funcidn de distribuci6n acumulada

N6tese que para variables aleatorias continuas, no hay diferencia entre "menor que", como en P(X<b),y "menor o igual que", como en P(X5b).Esto es asl porque la probabilidad de que X sea exactamente b es 0.

DISTRIBUCIONES DE PROBABILIDAD DE VARIABLES ALEATORIAS CONTINUAS

15 1

FIGURA 5.1 Funci6n de distribuci6n acumulada de una variable aleatoria uniforme entre 0 y 1

Fx (x'

Por tanto, la probabilidad de que una vari-ablealeatoria tome un valor en determinado intervalo puede obtenerse a partir de la funci6n de distribuci6n acumulada, como se describe a continuaci6n.

Probabilidades de intervalos y funci6n de distribuci6n acumulada Sea X una variable aleatoria continua con funci6n de distribuci6n acumulada Fx(x),y Sean a y b dos posibles valores de X que verifican a<b. La probabilidad de que X estt entre a y b es
P(a < X < b)'= Fx(b) - Fx(a)
(5.2.1)

Para la variable aleatoria que se distribuye uniformemente entre 0 y 1, la funci6n de distribucion acumulada en ese intervalo es FAX)= x. Por consiguiente, si a y b son dos numeros entre 0 y 1 y a<b
P(a <X

r\

< b ) = Fx(b) - Fx(a) = b - a

Por ejemplo, si ha habido una averia en el interior del tunel, la probabilidad de que haya ocumdo entre 10s kil6metros 114 y 314 del tdnel (es decir, a = 114 y b = 314) es

Hemos visto que la probabilidad de que una variable aleatoria continua estC entre dos valores cualesquiera, puede expresarse en ttrminos de la funci6n de distribuci6n acumulada. Esta funci6n, por tanto, contiene toda la informaci6n de la estructura de probabilidad de la variable. No obstante, para algunos prop6sitos. es m h util otra funci6n. En el Capitulo 4, definimos la funci6n de probabilidad de una variable aleatoria discreta, que expresa la probabilidad de que la variable tome un valor especifico. Este concept0 no es relevante en el caso de variables aleatorias continuas, ya que en este .Sin embargo, puede construirse una funci6n caso la probabilidad de obtener un valor especifico es 0 andoga para variables aleatorias continuas, llamada funci6n de densidad, que permita la interpretaci6n grhfica de la estructura de probabilidad.

152

V-BLES

ALEATORIAS CONTINUAS Y DISTRIBUCIONES DE PROBABILIDAD

Funcion de densidad Sea X una variable aleatoria continua, y x un numero perteneciente al rango de posibles valores de X. La funcion de densidadfx(x) de la variable X es una funci6n que tiene las siguientes propiedades (i) f,(x) r 0 para todo x (ii) Supongamos que dibujarnos la funci6n de densidad. Sean a y b dos posibles valores de la variable aleatoria X que verifican,que a<b. Entonces, la probabilidad de que X estC entre a y b es el kea por debajo de la funcidn de densidad entre 10s dos puntos.
Para ilustrar la propiedad (ii), la Figura 5.2 muestra el grhfico de una funci6n de densidad de una variable aleatoria continua arbitraria. Pueden verse dos posibles valores, a y b, y el k e a sombreada, que es la probabilidad de que la variable aleatoria estC entre ellos 2. Volvemos a1 caso de la variable aleatoria uniformementeudistribuida entre 0 y 1 para ver un caso especifico de una funci6n de densidad. Introdujimos esta distribuci6n para representar la distancia a la que ocurre una averia desde uno de 10s extremos de un tune1 de un kildmetro de largo, en el cud suponiamos que la probabilidad de averia en un tramo era idkntica a la probabilidad en cualquier otro tramo de la misma longitud. Con este supuesto, puede deducirse c6mo sera la forma de la funci6n de densidad. Supongamos que dividimos el intervalo de un kil6metro en muchos intervalos pequeiios de la misma longitud. Como la probabilidad de averia en cada uno de estos subintervalos es idkntica y, por otro lado, el kea por debajo de la funci6n de densidad representa la probabilidad, puede deducirse que el valor de la funcidn de densidad se mantiene constante a lo largo del intervalo que va desde 0 a 1. Ademas, si ocurre una averia dentro del tlinel debe hacerlo entre el kil6metro 0 y el ki16metro 1, por tanto, el kea total bajo la funci6n de densidad debe ser igual a 1. Por consiguiente, la funci6n de densidad de esta variable aleatoria es simplemente el cuadrado unitario que se muestra en la Figura 5.3. La uniformidad de la funci6n de densidad es lo que da nombre a esta distribucibn. La funci6n de densidad puede escribirse algebtaicamente como fx(4 =

1 0

paraO<x<l para otros valores de x

FIGURA 5.2 El kea sombreada es la probabilidad de que la variable aleatoria X estt entre a y b

c (4 t

'Los lectores con conocimientos de ciilculo v e r h que la probabilidad de que una variable aleatoria pertenezca a un determinado intervalo es la integral de la funci6n de densidad entre 10s extremos del i n t e ~ a l oes , decir, .

P(a < X < b) =

r
0

fx(~)dr

DISTRIBUCIONES DE PROBABILIDAD DE VARIABLES ALEATORIAS CONTINUAS

153

. Ahora podemos utilizar la funcidn de densidad para calcular la probabilidad de que una variable estC en un interval0 determinado. La forma de calcular la probabilidad de que la averia ocurra en el tramo que va desde el kil6metro 114 hasta el kil6metro 314, se ilustra en la Figura 5.4. Teniendo en cuenta que la altura de la funci6n de densidad es fx(x) = 1, el iirea bajo la curva entre estos dos puntos a precisamente la conclues exactamente 112, y Csta es la probabilidad que se quen'a calcular. ~ s t es si6n a la que llegamos anteriormente utilizando la funci6n de distribuci6n. Hemos visto que la probabilidad de que una variable aleatoria estC entre un par de valores es el Area bajo la funci6n de densidad entre 10s dos valores. Dos casos particulares de este resultado son de especial inter&. En primer lugar, teniendo en cuenta que la variable aleatoria debe tomar alglin valor, es decir, con total seguridad debe estar entre menos infinito y m b infinito, puede deducirse que el Area total por debajo de la funci6n de densidad es 1. (Este resultado es anAlogo a1 requerimiento en variables aleatorias discretas de que la suma de probabilidades individuales sea 1.) En segundo lugar, sea Fx(xo) la funci6n de distribuci6n acumulada evaluada en xo, en otras palabras, la probabilidad de que la variable aleatoria sea menor o igual que xo, es decir,

que es el Area debajo de la funcidn de densidad a la izquierda de xo.

0 .

FIGURA 5.3 Funci6n de densidad de una variable aleatoria uniformemente distribuida entre 0 y 1

FIGURA 5.4 Probabilidad de que una variable aleatoria uniformemente distribuida entre 0 y 1 estC entre 114 y 314; el Area sombreada es la probabilidad, que es igual a 112
l, (4

Areas bajo funciones de densidad continuas Si X es una variable aleatoria continua con funci6n de densidadfdx) y funci6n de distribuci6n acumulada F~(x), entonces,
(i) El irea total bajo la curvafx(x) es 13. (ii) El irea bajo la curva fdx) a la izquierda de xo es Fx(xo),donde xo es cualquier valor posible de la variable aleatoria 4.

Los dos resultados anteriores quedan ilustrados en el caso de la distribuci6n uniforme en la Figura 5.5. En la parte (a) de la figura puede verse que el Area bajo la funci6n de densidad es 1, ya que es simplemente el Area de un cuadrado cuyos lados son de longitud 1. La parte (b) de la figura muestra la funci6n de distribuci6n acumulada evaluada en xo, corresponde a1 Area del rectingulo de altura 1 y base xo. Por tanto, Fx(xo)= XO.

'Fomalmente, utilizando notaci6n integral

C f x ( x )dx = 1
4Lafuncidn de distribuci6n es, pues, la integral

Por tanto, la funci6n de densidad es la derivada de la funci6n de distribuci6n. es decir

DISTRIBUCIONES DE PROBABILIDAD DE VARIABLES ALEATORIAS CONTINUAS

155

FIGURA 5.5 Propiedades de la funci6n de densidad

c (4 7

area total bajo la funci6n de densidad uniforrne

(b) El area bajo la funci6n de densidad uniforrne a la izquierda de xo es F&),

y en el caw de la uniforrne es xo

EJEMPLO

5.1

Un equipo de reparaciones es responsable de un tramo de oleoducto de dos kil6metros de longitud. El punto (medido en kil6metros desde un extremo) a lo largo de este tramo en-el cual aparece una fuga puede representarse mediante una variable aleatoria uniforme, con funci6n de densidad
fr(x) =

p,;

para 0 < x < 2 para otros valores de x

Hallar la funci6n de distribuci6n acumulada de esta variable, asi como la probabilidad de que haya una fuga entredos kil6metros 0.5 y 1,5 de este tramo de oleoducto. La Figura 5.6 muestra c6mo es la funcidn de densidad. La funci6n de distribuci6n acumulada, es la probabilidad de que la variable aleatoria tome un valor menor o igual evaluada en XO, Fx(xo), que XO. ~ s t corresponde a a1 Area sombreaqa que se ve en el grifico -un rectingulo de altura 0,5 y base xo.Por consiguiente, para 0 < xo < 2 FX(xo) = 0,5xo Para hallar la probabilidad de que aparezca una fuga entre 10s kil6metros 0,5 y 1,5 de este tramo del oleoducto tenemos
P(0,5

< X < 1,5) = Fx(1,5) - Fx(0,5) = (0,5)(1,5) - (0,5)(0,5) = 0 3

Este resultado puede deducirse tambitn del iirea que hay por debajo de la funci6n de densidad entre 0,5 y 1,5.

5.3 ESPERANZAS DE VARIABLES ALEATORIAS CONTINUAS

En la Secci6n 4.3, introdujimos el concept0 de esperanza de una variable aleatoria discreta X y la esperanza de una funci6n de dicha variable aleatoria. Estos conceptos pueden extenderse a variables aleatorias continuas, aunque con alguna modificacidn en& forma de evaluar esperanzas, como se indica en el recuadro, por el hecho de que, en este caso, la probabilidad de cualquier valor especifico es 0 .

Esperanza de una variable aleatoria continua

Supongamos que el resultado de un experimento aleatorio puede ser representado mediante una variable aleatoria continua. Si tenemos N rCplicas independientes de este experimento, entonces, el valor esperado de la variable aleatoria es la media de 10s valores obtenidos, cuando el n6mero de rkplicas, N, tiende a infinito. Denominaremos el valor esperado de la variable aleatoria X como E(X). Anilogamente, si g(X) es una funci6n de la variable aleatoria X, entonces el valor esperado de esta funci6n es la media de 10s valores obtenidos en sucesivas rtplicas independientes, cuando el n6mero de replicas tiende a infinito 5. Denominaremos el valor esperado de g(X) como E[g(X)].

De rnanera formal, utilizando notaci6n integral, expresaremos el valor esperado de X corno

y el valor esperado de la funci6n g(X) corno

r

N6tese que en el caculo de estas esperanzas, la integral juega el rnisrno papel que el operador sumatorio en el caso discreto.

FIGURA 5.6 Funci6n de densidad del Ejemplo 5.1; el area sornbreada es la funcion de distribucion
acumulada evaluada en xo

t;c (XI

En el siguiente recuadro se definen algunas esperanzas irnportantes corno se hizo con las variables aleatorias discretas.

Definiciones:
Sea X una variable aleatoria continua. (i) La media de X, representada por k ,se define corno el valor esperado de X, es decir, p x = EE(X) (ii) La varianza de X, representada por ux2, se define corno la esperanza del cuadrado de la diferencia entre la variable y su media, (X - px)', es decir, u X 2 = E[(X - p ~ ) ~ ] Una expresidn alternativa para la varianza es a x 2 = E(X2) - p . Y 2 (iii) La desviacion tipica de X, UY, es la raiz cuadrada de la varianza La media y la varianza son dos cornponentes importantes de la distribucion de probabilidad. La niedia proporciona una rnedida del centro de la distribucion de probabilidad. Una interpretacion fisica de este concept0 es recortar el grafico de una funcion de densidad. El punto a lo largo del eje de las .\- en el cual la figura queda en equilibrio si la apoyarnos en el dedo es la media de la distribucion. Por ejernplo, el grafico de la funcion de densidad de la distribucion uniforme de la Figura 5.3 es perfectarnente simttrica a arnbos lados de .r = 112, luego p~ = 112 es la media de la variable aleatoria. En el ejernplo de las avenas de 10s automoviles en el interior de un tunel de un kilometro de longitud, puede interpretarse el hecho de que la distancia media desde la entrada en la que ocurre una avena sea igual a 112 corno que si tornarnos un numero grande de avenas el promedio de las distancias sera de 112 kilometro. La varianza -o su raiz cuadrada, la desviacion tipica- da una rnedida de la dispersion de una distribucion de probabilidad alrededor de la media. Como ejernplo, considkrese una distribucion uniforme en el rango 0-1 y una segunda distribucion, tambitn uniforme, per0 en el rango 114 a 314. En la Figura 5.7 pueden verse 10s graficos de las funciones de densidad de estas dos distribuciones. Para la segunda distribucion, que se muestra en la parte (b) de la figura, la funcion de densidad es

fx(4

2
=

para

1
-

<x < -

4 4 para otros valores de x

Esta es una funcion de densidad propia, ya que el k e a debajo de la curva es 1. Ambas distribuciones estlin centradas en .r = 112, que es la media en ambos casos. No obstante, la densidad de la distribucion de la parte (a) esta mas dispersa alrededor de la media que la de la parte (b). Esto queda reflejado en que la varianza de la primera distribucion es mayor6. En la Seccion 4.3, mostramos como calcular esperanzas y varianzas de funciones lineales de variables aleatorias discretas. De hecho, 10s mismos resultados son ciertos para variables aleatorias continuas, como se indica en el recuadro.

Sea X una variable aleatoria continua con media px y varianza ux2, Sean a y h constantes cualesquiera. Definimos la variable aleatoria Z como
Z=a+hX

Entonces la media y varianza de Z son

p~ = E(a

+ bX) = a + hpx

Y
uz2 = Var(a

+ bX) = b2ux'
~hlux

luego la desviacion tipica es

uz =

Como caso particular de estos resultados, la variable aleatoria

x - px z=tiene media 0 y varianza 1.

ux

EJEMPLO

5.2

Una persona estima que, si las temperaturas son las que cabe esperar, su factura de calefaccion de enero, Y, en pesetas, s e d de Y = 29.000 - 500T donde T es la temperatura media mensual, en grados centigrados. Suponiendo que podemos representar la temperatura del mes de enero mediante una variable aleatoria con media 6C y desviacion tipica 4"C, encontrar la media y la desviacion tipica de la factura de calefaccidn de esta persona. La variable aleatoria T tiene media y desviaci6n tipica p ~ = 6 vr=4 Por tanto, la esperanza de la factura de calefacci6n sera
p~= 29.000 - 5 0 0 p r = 29.000 - (500)(6)
=

26.000 pesetas

La desviacion tipica sera

vy= I- 5 0 0 1 = ~~ (500)(4)

2.000 pesetas

"Las varianzas son. 1/12 para la distribucion de la parte (a) y 1/48 para la de la parte (b).

ESPERANZAS DE VARIABLES ALEATORJAS

CONTINUAS

1 59

FIGURA 5.7 Funci6n de densidad de dos variables aleatorias uniformemente distribuidas

(a) Funcibn de densidad de una variable aleatoria uniforme en el intervalo O a 1

(b) Funcibn de densidad de una variable aleatoria uniforme en el intervalo 1 /4 a 3/4

1 60

VARIABLES ALEATORIAS CONTINUAS Y DISTRIBUCIONES DE

PROBABILIDAD

5.4 DISTNBUCI~N CONJUNTA DE VARIABLES ALEATONAS CONTINUAS

En la Seccion 4.4, introdujimos el concepto de distribucion conjunta para variables aleatorias discretas. Muchos de 10s conceptos que alli se discutieron pueden extenderse de fonna natural a1 caso de variables aleatorias continuas.

Definiciones: Sean XI,X2, ..., Xti variables aleatorias continuas.

( i ) Su funcion de distribucion acumulada conjunta Fxl.x 2 , . . . ..yA(-\.,. sz, . . . ,sx) expresa la probabilidad de que, simultaneamente, X , sea menor o igual que ,rl, X? sea menor o igual que .r2,etc. Es decir,

F,y2(~v2)r . . . . FX&(SK)de las variables individua(ii) Las funciones de distribucion acumulada F,y,(,~l), les se llaman funciones de distribucion marginal. Para cualquier i. se tiene que F.,,(.v,)es la probabilidad de que Xi sea menor o igual que s;.

(iii) Se dice que las variables aleatorias son independientes si y solo si

El concepto de independencia estadistica, en este caso, es exactarnente igual que en el caso discreto. La independencia de un conjunto de variables aleatorias implica que la distribucion de probabilidad de cada una de ellas no se ve afectada por 10s valores que tomen las demas. Es decir, por ejemplo, la ahmacidn de que 10s cambios en el precio de una accidn en dias consecutivos son independientes entre si, implica que la info~macion sobre 10s canlbios en el precio en el pasado no sonde utilidad para estimar lo que ocurrira en el futuro. El concepto de esperanza se extiende a funciones de variables aleatorias continuas conjuntamente distribuidas. Como en el caso de variables aleatorias discretas, una medida importante de este tip0 es la covarianza, que se utiliza para cuantificar la asociacion lineal entre un par de variables aleatorias.
-

Definition:
Sean X e Y dos variables aleatorias continuas, con medias p,yy p , , respectivamente. El valor esperado de (X - py)(Y - p,) se llama covarianza entre X e Y. Es decir, Cov(X. Y) = E[(X - p,)(Y - p ~ ) ] Una expresion alternativa es Cov(X, Y) = E(XY) - p ~ p , Si las variables aleatorias X e Y son independientes, entonces su covarianza es 0. No obstante, el reciproco no es necesariamente cierto. Los resultados obtenidos en la Seccion 4.4 sobre medias y varianzas de sumas y diferencias de variables aleatorias discretas son tambiCn validas para variables aleatorias continuas. Las repetimos a continuation.

DISTRIRUC CONJUNTA I~N DE VARIABLES ALEATORIAS CONTINUAS

16 1

Sumas y diferencias de variables aleatorias

Sean XI, X2, ...,XK,K variables aleatorias con medias P I ,fir. . . , wKy varianzas u,', plen las siguientes propiedades: (i) La media de la suma es la suma de las medias, es decir, E(XI + X ~ + . . . + X K ) = / I I + / ~ ~ + . . . + ~ K (ii) Si la covarianza entre cada par de estas variables aleatorias es 0, entonces, la varianza de la suma es la suma de las varianzas, es decir, Var(X, + X 2

. . . , ah'.Se cum-

+ . . . + X K ) = a,' + uz2+ . . . + aK2

(TI.'. Se cumplen las si-

Sean X e Y un par de variables aleatorias con medias p , ~ y py y varianzas u; y guientes propiedades: (iii) La media de su diferencia es la diferencia de las medias, es decir, E(X - Y ) = px - 1,.

(ivj Si la covarianza entre X e Yes 0, entonces, la varianza de la diferencia es la suma de las varianzas, es decir, Var(X - Y ) = uXZ + (TI.' Los resultados (ii) y (iv) son validos linicamente si la covarianza entre las variables es 0. De forma general, si X e Y son un par de variables aleatorias con varianzas cryZ y g y 2 ,y covarianza Cov(X, Y ) ,puede probarse que

EJEMPLO

5.3

Un contratista no conoce con certeza 10s costes de material y mano de obra de un proyecto, per0 Cree que 10s costes de material (en miles de pesetas) pueden representarse mediante una variable aleatoria con media 10.000 y desviacion tipica 1.000. El coste de la mano de obra asciende a 150 pesetas a1 dia, el numero de dias necesario para terminar el proyecto puede representarss mediante una variable aleatoria con media 80 y desviacion tipica 12. Suponiendo que 10s costes de material y mano de obra son independientes, jcual es la media y la varianza del coste total del proyecto (material y mano de obra)? Sean las variables aleatorias XI y X1 10s costes de materiales y mano de obra, respectivamente. Entonces, XI tiene media p, = 10.000 y desviacion tipica @, = I .000. En el caso de la variable aleatoria XL

El coste total del proyecto es XI + X2, de esta fomla el coste medio es

p,

+ p2= 10.000 + 12.000 = 22.000 pesetas

+
( ~ 2 '=

y, por ser XI y X2 independientes, la varianza de la suma es

u12

(1.000)'

+ (1.800)~ = 4.240.000

Tomando raiz cuadrada, obtenemos que la desviacion tipica es 2.059 pesetas.

EJEMPLO

5.4

Corno en el Ejernplo 4.7, este ejernplo ilustra la posibilidad de reducir riesgos de la diversificacion en las inversiones. Un inversor arnericano tiene 1.000 d6lares que tiene la posibilidad de invertir en distintas proporciones en dos posibles activos financieros alternativos. Los intereses por d6lar de cada uno de estos activos se representarin rnediante las variables aleatorias X e Y. Supondrernos que arnbas variables tienen la rnisrna media, p, y la rnisrna varianza, d, y que son independientes entre si. Supongarnos que el inversor decide colocar a dolares en el primer activo y, por tanto, (1.000 - a ) dolares en el segundo. A continuacion calcularernos 10s beneficios de las inversiones alternativas. El interks total de la inversi6n sera

R
Esta variable tiene valor esperado

ax + (1.000 - a)Y

El interes esperado es el rnisrno para cualquier eleccion de a. La varianza del interis total es

Notese que, si a = 0 o a = 1.000, es decir, que el total de 10s 1.000 d6lares se coloca en uno de 10s activos, la varianza del interis es 1.000.000a2. Sin embargo, si se invierten 500 dolares en cada activo, de forrna que a = 500, la varianza del interis es 500.000u2. (Este es el rninirno valor en este ejernplo.) Por tanto, separando la inversion de esta forma, en cornparacion con lo que ocurre si invertirnos todo en el rnisrno activo, el inversor puede conseguir el rnisrno inter& esperado, per0 con rnucha rnenos varianza, es decir, con rnucho rnenor riesgo.

EJERCICIOS

b) Hallar y dibujar la funcion de distribuci6n acumulada. c) Hallar la probabilidad de que la mejor elecci6n para el peso X sea menor que 0,25. d) Hallar la probabilidad de que la mejor elecci6n para el peso X sea mayor que 0,75. e) Hallar la probabilidad de que la mejor eleccion para el peso X estt entre 0,2 y 0,8. 2. Se le ha asignado a un equipo de rescate las emergencias que ocurran en un tramo de no de cuatro kil6metros de largo. La experiencia indica que la distancia a lo largo de este tramo, medida en kil6metros desde el punto mis a1 norte en el cual ocurre una emergencia, puede representarse mediante una variable aleatoria uniformemente distribuida en el rango que va desde 0 a 4 kil6metros. Si X representa la distancia (en kil6metros) a la que ocurre una emergencia desde el punto mds a 1 norte de este tramo, su funci6n de densidad es

1. Un analista dispone de dos predicciones diferentes, F , y F Z , de la ganancia por acci6n de una determinada empresa en el proximo afio. Su objetivo es obtener una predicci6n de compromiso como una media ponderada de las dos predicciones individuales. Para formar esta prediccidn de compromiso, se le darti un valor X a la primera predicci6n y (1 - X) a la segunda, de forma que la predicci6n de compromiso es XF, + (1 - X)F2. El analista quiere encontrar un valor entre 0 y 1 para el X, per0 esti indeciso sobre cud1 serd la rnejor elecci6n. Supongamos que eventualmente decide que la mejor opci6n para el valor X, puede verse como una variable aleatoria uniformemente distribuida entre 0 y 1, con funci6n de densidad
1 0

paraO<.r<l para otros valores de x

a) Dibujar la funcion de densidad.

DISTRIBUCI~N CONJUNTA

DE VARIABLES ALEATOMAS CONTINUAS

163

0,25

para 0 < s < 4 para otros valores de .I

a) Dibujar la funcion de densidad. b) Hallar y dibujar la funcion de distribution acurnulada. c) Hallar la probabilidad de que ocurra una ernergencia en el kil6rnetro r n b a1norte de este bamo de no. d) El equipo de rescate tiene su base en el centro de este trarno de rio. Hallar la probabilidad de que ocurra una ernergencia a mas de 1,5 kilometros de la base. 3. Los ingresos farniliares en un bamo de Madrid pueden representarse por una variable aleatoria continua. Se sabe que la rnediana de 10s ingresos en este barrio es de 6.000.000 de pesetas y que el 40% de las farnilias tienen unos ingresos que superan las 7.200.000 pesetas. a) Para una farnilia seleccionada aleatoriarnente, jcual es la probabilidad de que sus ingresos estCn entre 6.000.000 y 7.200.000 pesetas? b) Sin conocer mas informaci6n, iquC puede decirse sobre la probabilidad de que una farnilia elegida a1 azar tenga unos ingresos inferiores a 6.500.000 pesetas? 4. En el cornienzo del inviemo, la propietaria de un piso estirna que la probabilidad de que su factura de calefaccion para todo el inviemo sea inferior a 38.000 pesetas es de 0,4. Adernas, estirna que la probabilidad de que la factura sea inferior a 46.000 pesetas es 0,6. a) iCual es la probabilidad de que la factura estC entre 38.000 y 46.000 pesetas? b) Sin conocer mas informacion, iquC puede decirse sobre la probabilidad de que la factura sea inferior a 40.000 pesetas? 5. Una autora recibe un contrato de un editor. ~ s t estie pula que la autora recibiri una cantidad fija de 1.000.000 de pesetas, mas 1.500 pesetas adicionales por ejernplar vendido. Su incertidumbre sobre el nurnero de ejernplares que se venderan puede representarse rnediante una variable aleatoria con media 30.000 y desviacion tipica 8.000. Hallar la media y la desviacion tipica de 10s ingresos totales que recibira.

/" 6. Un contratista hace una oferta para un proyecto, para

el que debe llevarse a cab0 mas trabajo de investigacidn y desarrollo. Se estirna que 10s costes totales para cornpletar el proyecto seran de 20 rnillones de pesetas, adernas del trabaio de investigation y desarrollo necesarios. El contratista considera que 10s gastos ocasionados por este trabajo son una variable aleatoria con media 4 rnillones de pesetas y desviacion tipica 1 rnillon de pesetas. El contratista desea

hacer una oferta con la que su beneficio esperado sea el 10% de su coste esperado. iC&l deberia ser su oferta? Si se acepta su oferta, jcual sera la desviaci6n tipica del beneficio resultante de este proyecto?. 7. Una sociedad de caridad solicita donaciones telefonicamente. A 10s ernpleados se les pagan 6.000 pesetas, rnis el 20% del dinero que sus llarnadas generan a lo largo de una sernana. La cantidad de dinero generado a la sernana puede verse corno una variable aleatoria con media 70.000 pesetas y desviacion tipica 13.000 pesetas. Enconbar la media y la desviacion tipica de la paga total sernanal de un empleado de esta sociedad. 8. Un vendedor recibe un salario anual de 2.000.000 de pesetas, mas un 8% del valor de las ventas que realiza. Las ventas anuales pueden representarse rnediante una variable aleatoria con media 20.000.000 de pesetas y desviacion tipica 6.000.000 de pesetas. Hallar la media y la desviacion tipica del ingreso anual de este vendedor. 9. Un inversor planea dividir 200.000 pesetas entre dos inversiones diferentes. La prirnera da un beneticio fijo del lo%, la segunda da un beneficio que tiene valor esperado 18% y desviacion tipica 6%. Si el inversor decide dividir su dinero en dos partes iguales, hallar la media y la desviacion tipica del beneficio que obtendra. 10. Un propietario ha instalado una nueva calefacci6n de bajo consurno. Se estirna, que a lo largo de un aiio, esta nueva calefaccion ahorrara una cantidad que puede representarse rnediante una variable aleatoria con media 20.000 pesetas y desviacion tipica 6.000 pesetas. Especificando todos 10s supuestos necesarios, calcular la media y la desviacion tipica de la reduccion total de gastos a lo largo de un period0 de 5 aiios. 11. Un consultor comienza a trabajar en tres proyectos. Los beneficios esperados de estos proyectos son 500.000, 720.000 y 400.000 pesetas. Sus desviaciones tipicas asociadas son 100.000, 120.000 y 90.000 pesetas. Suponiendo independencia de 10s resultados, hallar la media y la desviacion tipica del beneticio total obtenido por el consultor con estos tres proyectos. 12. Continuando con el Ejernplo 5.4, supongarnos que tenernos las rnisrnas especificaciones que en el ejernplo, per0 en este caso no suponernos independencia entre las variables aleatorias X e Y. Si C es la covarianza entre estas variables aleatorias, dernostrar que ahora la varianza del inter& total es

Dernostrar que la elecci6n a = 500 tiene rnenos ' (asi riesgo que la elecci6n a = 0, dado que C < u debe ser). iPara quC valores de C se reduce mas el riesgo diversificando?

13. Un consultor tiene tres fuentes de ingresos - la enseiianza en cursos de corta duration, la venta de software y la participation corno consejero en proyectos. Sus ingresos rnensuales esperados por estos conceptos son 200.000. 250.000 y 150.000 pesetas, y sus desviaciones tipicas respectivas 20.000, 50.000 y 40.000 pesetas. Suponiendo independencia, hallar la media y la desviacion tipica de sus ingresos rnensuales. 14. Se contratan cinco inspectores para controlar la calidad de las cornponentes fabricadas en una determinada linea de rnontaje. El numero de cornponentes que puede comprobar cada inspector en cada lote se puede representar rnediante una variable aleatoria con media 120 y desviacion tipica 16. Sea X la variable aleatoria que representa el nurnero de cornponentes de cada lote que han sido cornprobadas. Entonces,

el nurnero total de cornponentes cornprobadas es 5X. que tiene media 600 y desviacion tipica 80. ~ Q u C es incorrect0 en este argurnento? Suponiendo independencia entre el desernpeiio de 10s inspectores, hallar la media y la desviacion tipica del nurnero total de cornponentes cornprobadas en un lote. 15. Se estirna que conduciendo con norrnalidad en una autopista, el nurnero de kilometros que un coche de un rnodelo particular puede recorrer con un litro de gasolina puede representarse rnediante una variable aleatoria con media 12 y desviacion tipica 1,2. Se conducen 16 coches por una autopista, cada uno con un litro de gasolina, de forrna independiente. Hallar la media y la desviacion tipica del nurnero rnedio de kilometros que estos coches recorrerin.

5.5 LA DISTRIBUCI~NNORMAL
En esta section, introducirernos una distribucion continua que juega un papel central en el analisis estadistico. Por ejernplo, supongamos que un grupo grande de estudiantes hace un examen. Se espera que una gran proporcion de las notas obtenidas se concentren alrededor de la media. A d e m b se espera que el nurnero de notas obtenidas en rangos de longitud fija i r i descendiendo a1 alejamos de la media. Si la nota promedio en el exarnen ha sido de 60, esperarnos encontrar, por ejemplo, mis estudiantes en el rango 55-65 que en el rango 85-95. Estas consideraciones sugieren una distribucion con un pic0 en la media y que va descendiendo gradualmente en 10s extrernos. Una distribucion con estas propiedades es la distribucion normal, cuya funcion de densidad se rnuestra en la Figura 5.8. Corno puede verse, la funcion de derisidad tiene forma de canzpana.

FIGURA 5.8 Funcion de densidad de una distribucion normal

fx

(4 A

I '

Funcion de densidad de una distribucion normal

Si la variable aleatoria X tiene densidad
fx(x) =

v2.rru2

-(r-lrl2,2"2

para-m<x<m

donde p. y d son numeros tales que -< < p. < < y 0 < < < donde e y .rr son las constantes, e = 2.71828 . . . y .rr = 3,14159. . . , entonces se dice que X sigue una distribucion normal.

<

Puede verse por la definici6n que no hay una unica distribucion noimal, sino una familia completa de distribuciones, que resultan de especificaciones concretas de p y u ' . Estos dos parametros tienen una interpretacion muy conveniente.

Propiedades de la distribuei0n normal Supongamos que la variable aleatoria X sigue una distribucion normal con paranietros p y u ' . Se cumplen las siguientes propiedades, (i) La media de la variable alearoria es p, es decir,
E(X) = p (ii) La varianza de la variable aleatoria es u ' , es decir, Var(X) = E[(X - p ) ' ] = a2 (iii) La forma de la funci6n de densidad es una curva sin~ttrica con forma de campana (ver Figura 5.8) centrada en la media p.

De estas propiedades puede concluirse que dadas la media y la varianza de una variable aleatoria normal, queda determinada la distribucion especifica dentro de la familia de distribuciones normales. Esto permite el uso de la siguiente notacion:

Si la variable aleatoriax sigue una distribucion normal con media p y varianza u2, escribiremos

Ahora, la media proporciona una medida de posici6n central, mientras que la varianza da una niedida de dispersion alrededor de la media. Luego 10s valores que toman 10s parametros p y u' tienen diferentes efectos en la funci6n de densidad de una variable aleatoria normal. La Figura 5.9(a) muestra la funci6n de densidad de dos distribuciones normales con varianza com6n per0 diferentes medias. Puede verse, que incrementar la media, dejando constante la varianza, traslada la funci6n de densidad per0 no altera su forma. En la Figura 5.9(b) las funciones de densidad representadas corresponden a variables

FIGURA 5.9 Efectos de p y

(T'

en la funci6n de densidad de una variable aleatoria normal

(a) Funciones de densidad de dos distribuciones normales con medias 5 y ambas distribuciones tienen varianza 1

6;

Varianza = 1

(b) Funciones de densidad de dos distribuciones normales con varianzas 1 /4 y 1 ; ambas distribuciones tienen media 1 O
aleatorias normales con media comlin per0 diferentes varianzas. Ambas son simktricas alrededor de la media comun, per0 la que tiene mayor varianza es mas dispersa. Un problema de gran importancia prictica es determinar probabilidades de una distribucidn nornial especifica. Como un primer paso, introducimos la funci6n de distribucion acumulada.

Funcion de distribucion acumulada de una distribucion normal

Supongamos que X es una variable aleatoria normal con media i . ~ y varianza a', es decir, X Entonces, la funcion de distribucion acumulada F,(s,) es
FX(,yu)

- N ( k , a').

= P(X 5 xu)

Esto corresponde a1 area bajo la funcidn de densidad a la izquierda de .yo, como se ilustra en la Figura 5.10. Conio ocurre para cualquier densidad propia, el Area total por debajo de la curva es 1, es decir,
F~("o) =

No hay una expresidn algebraica simple para calcular la funcidn de distribucidn acumulada de una variable aleatoria distribuida normalmente '. La forma general de la funci6n de distribucidn acumulada se muestra en la Figura 5.1 1. Hemos visto que para cualquiei- variable aleatoria, las probabilidades pueden expresarse en tCrminos de la funcion de distribucidn acumulada.

'Esto qulere decir que la integral

no tiene una forma algebraica simple

LA DISTRIBUCI6N NORMAL

167

FIGURA 5.10 El area sombreada es la probabilidad de que X sea menor o igual que sopara una variable
aleatoria normal

Probabilidades de rangos para variables aleatorias normales

Sea X una variable aleatoria normal con funci6n de distribution acumulada Fx(x), y sean a y h dos posibles valores de X, que verifican que a<b. Entonces,
P(a < X < b) = Fx(b)- Fx(a)

La probabilidad es el area por debajo de la funci6n de densidad correspondiente entre a y b , como se muestra en la Figura 5.12.

Cualquier probabilidad puede obtenerse a partir de la funci6n de distribution acumulada. Sin embargo, sigue habiendo una dificultad, porque no existe una formula conveniente para determinar la funci6n de distribuci6n acumulada. En principio, podrian obtenerse las probabilidades de cualquier distribuci6n normal mediante mktodos numkricos utilizando un ordenador. No obstante, seria demasiado tedioso tener que hacer esta operacion para cada distribucion normal. Afortunadamente, las probabilidades de czralquier- distribucion normal pueden expresarse en terminos de las probabilidades de una normal determinada, para la cual ya se han calculado y tabulado las probabilidades. Introducimos a continuaci6n esta distribucion normal particular que se utiliza con este fin.

La distribucion normal estandar

Sea Z una variable aleatoria normal con media 0 y varianza 1; es decir
Z

- N ( 0 , 1)

Entonces, se dice que Z sigue una distribucion normal estandar. Si denominamos FZ(z)a la funci6n de distribucibn acumulada de esta variable aleatoria, y a* y b* son dos nlimeros tales que a* < b*, entonces
P(a* < Z < b*) = Fz(b*) - F,(a*)

FIGURA 5.11 Funcion de distribucion acurnulada de una variable aleatoria normal

Fx

(4f

FIGURA 5.12 El area sornbreada corresponde a la probabilidad de que X estt entre a y h para una variable aleatoria nolmal

La funcion de distribucion acurnulada de una variable aleatoria normal estandar esta tabulada en la Tabla 3 del Aptndice. En esta tabla se ven valores de

para valores no negativos de 2 . Por ejernplo,

Poi- tanto, la probabilidad de que una variable aleatoria normal estandar tome un valor rnenor que 1,25 es 0,8944. Los valores de la funcion de distribucion para valores negativos de z pueden deducirse a partir de la sirnetria de la funcion de densidad. Sea zo un nurnero positivo cualquiera, y supongarnos que se quiere calcular

Corno se rnuestra en la Figura 5.13, la sirnetria de la funcion de densidad de la variable aleatoria no~mal estandar alrededor del 0, irnplica que el area por debajo de la curva a la izquierda de -zo es la rnisrna que el area por debajo de la curva a la derecha de 20, es decir

Es mas, por ser el area total por debajo de la curva igual a 1

..

FIGURA 5.13 Funci6n de densidad de la variable aleatoria normal esthdar Z; las areas sombreadas, que son iguales, muestran la probabilidad de que Z sea menor o igual que -20 y la probabilidad de que Z sea mayor que

:(I

Por tanto, puede deducirse que

Fz(-20)
Por ejemplo, P(Z
5 - 1,15) =

FZ(ZO)
=

F z ( - 1,25) = 1

Fz( 1,25)

0,8944

0,1056

EJEMPLO

5.5

Supongamos que Z es una variable aleatoria normal estandar, hallar P(-0,50<Z<0,75). La probabilidad que se pide es

P ( - 0 , 5 0 < Z < 0 , 7 5 ) = Fz(0,75) - Fz(-0,50)

Usando la Tabla 3 del ApCndice, se obtiene

FL(0,75) - [I - Fr(0,50')]

A continuaci6n rnostraremos corno pueden expresarse probabilidades de cualquier variable aleatoria normal en terminos de probabilidades de la variable aleatoria normal estandar. Sea X una variable aleatoria normal con media p y varianza 2.Virnos en la Seccion 5.3, que restando la media y dividiendo por la desviacion tipica se obtiene una variable aleatoria Z con media 0 y varianza 1. Tambien pi~ede probarse que si X es una variable normal, entonces, Z tambien lo es. Por tanto, Z se distribuye ~01110 una variable aleatoria normal estandar. Supongamos, entonces, que querernos calcular la probabilidad de que X estC entre a y h . Esto es equivalente a decir que (X - p ) / u esta entre ( a - p ) / u y ( h - p ) / u , luego la probabilidad que se quiere es

Como hallar probabilidades de intervalos para variable aleatorias normales Sea X una variable aleatoria normal con media p y varianza u2. Entonces, la variable aleatoria Z = (X- p)/" tiene una distribucion normal estandar; es decir, Z N(0, 1 ). De aqui se deduce que si a y h son numeros cualesquiera con a<h, entonces

donde Z es la variable aleatoria normal estandar y F Z ( z )representa su funcion de distribucion acumulada.

FIGURA 5.14 C6mo hallar probabilidades de intervalos con variables aleatorias normales
fx (4

(a) Funci6n de densidad de una variable aleatoria normal X con media 3 y desviacion tipica 2; el area sombreada es la probabilidad de que X este entre 4 y 6

(b) Funcibn de densidad de una variable aleatoria normal es~ndar Z ;

el area sombreada es la probabilidadde que Zeste entre 0,5 y 1,5 y e s igual al area sombreada en la parte (a)

El resultado queda ilustrado en la Figura 5.14. La parte (a) de la figura muestra la funci6n de densidad de una variable aleatoria normal X con media p = 3 y desviacion tipica a = 2. El area sombreada muestra la probabilidad de que X estC entre 4 y 6. Esto es lo mismo que la probabilidad de que una variable aleatoria normal estindar estC entre (4 - p ) / a y (6 - p)/a, es decir, entre 0,5 y 1 3 . Esta probabilidad es el area sombreada bajo la curva de la normal estindar en la Figura 5.14(b).

EJEMPLO

Si X - N(15, 16), hallar la probabilidad de que X sea mayor que 18. Esta probabilidad es

De la Tabla 3 del ApCndice obtenemos que Fz(0,75) es 0,7734, de mod0 que P(X

> 18) = 1

0,7734 = 0,2266

EJEMPLo

5.7

Si X se distribuye seglin una normal de media 3 y desviaci6n tipica 2, hallar P(4<X<6). Tenemos

P(0,5

< Z < 1.5) = Fz( 1 3 ) - Fz(0,5)

0,9332

0,69 15 = 0,24 17

~ s t o son s 10s calculos ilustrados en la Figura 5.14.

LA DISTIUBUCI6N

NORMAL

17 1

EJEMPLO

5.8

Una compaiiia produce bombillas cuyo tiempo de vida sigue una distribucion normal con media mil doscientas horas y desviacion tipica doscientas cincuenta horas. Si se elige una bombilla producida por esta compafiia de forma aleatoria, jcual es la probabilidad de que su tiempo de vida este entre novecientas y mil trescientas horas? Sea X la variable aleatoria que representa el tiempo de vida en horas. Entonces

Por tanto, la probabilidad de que una bombilla dure entre novecientas y mil trescientas horas es aproximadamente 0,54.

EJEMPLO

5.9

Las notas que obtuvieron un grupo numeroso de estudiantes en un exarnen, se distribuyen segun una norma1 con media 60 y desviacion tipica 15. i,QuC proporcidn de alumnos obtuvieron una nota entre 85 y 95? Sea X la variable aleatoria que representa la nota en el examen. Tenemos que

= P(1,67

< Z < 2,33)

= Fz(2,33) - Fz(1,67) = 0,9901

0,9525 = 0,0376

Es decir, el 3,76% de 10s estudiantes obtuvieron notas entre 85 y 95.

EJEMPLO

5.10

Para las notas en el Ejemplo 5.9, hallar el punto de corte para el 10% de 10s estudiantes que obtuvieron notas mhs altas. Hemos encontrado previamente probabilidades correspondientes a puntos de corte. En este caso, necesitamos un punto de corte para una probabilidad particular. La posicion de este punto de corte puede verse en la Figura 5.15, que muestra la funcion de densidad de una variable aleatoria normal con media 60 y desviacion tipica 15. Sea el numero h la nota minima necesaria para estar en el 10% mejor. Entonces, la probabilidad de que un alumno elegido al azar obtenga una nota mayor que h es 0,10. Esta probabilidad esth representada como el Area sombreada en la Figura 5.15. Si X denomina la nota en el examen, entonces la probabilidad de que X sea mayor que h es 0,10, luego

De aqui se deduce que

1 72

VARIABLES ALEATORIAS

CONTINUAS Y DISTRIBUCIONES DE PROBABILIDAII

FIGURA 5.15 La probabilidad de que X sea mayor que un numero b es 0,lO; X se distribuye
segun una normal de media 60 y desviacion tipica 15

Ahora, en la Tabla 3 del ApCndice encontramos que si FZ(z)= 0,9, entonces z = 1,28. Por tanto,

La conclusi6n es que el 10% de 10s estudiantes obtuvieron notas mas altas que 79,2. En 10s Ejeniplos 5.9 y 5.10, las notas obtenidas en el examen son numeros enteros, por tanto, su distribucion es inherenteniente discreta. A pesar de esto, la distribucion normal proporciona una aproximacion adecuada a estas circunstancias. Veremos m8s adelante en este capitulo, que la distribucion normal puede utilizarse a menudo como una aproximacion a distribuciones discretas. En la section siguiente introd~~ciremos un resultado que justifica el Cnfasis puesto en la distribucion normal en este texto.

EJERCICIOS
16. Sea Z una variable aleatoria normal estbndar. a) Hallar P(Z < I .2O) b) Hallar P(Z > 1.33) C) Hallar P(Z < - 1.70)

d) Hallar el numero z tal que Z es mayor que L con probabilidad 0.6.

18. Se sabe que el dinero que se gastan al ado 10s estudiantes de determinada universidad en libros de texto sigue una distribucion normal de media 38.000 pesetas y desviacion tipica 5.000 pesetas. a) ;Cu5l es la probabilidad de que un estudiante elegido aleatorianiente gaste menos de 40.000 pesetas en libros de texto al ado? b) ~Curil es la probabilidad de que un estudiante elegido aleatoriamente gaste mis de 36.000 pesetas en libros de texto al ado? c) Dibujar un gralico que ilustre que las probabilidades en 10s apartados (a) y (b) son iguales. d) iCual es la probabilidad de que un estudiante elegido aleatoriamente gaste entre 30.000 y 40.000 pesetas en libros de texto al afio?

d) Hallar P(Z > - 1.00) e ) Hallar P(1.20 < Z < 1.33) f ) Hallar P(- 1.70 < Z < 1.20) g) Hallar P(- 1.70 < Z < - 1.00) 17. Sea Z una variable aleatoria normal estindar. a) Hallar el numero ; tal que Z es menor que z con probabilidad 0.7. b) Hallar el numero z tal que Z es menor que : con probabilidad 0,25. c) Hallar el numero I tal que Z es mayor que z con probabilidad 0.2.

e) Se quiere encontrar un rango de gastos en libros en el cual se incluyan el 80% de 10s estudiantes de esta universidad. Explicar por quC pueden encontrarse infinitos rangos que cumplan esta condition y encontrar el rango mas corto posible. 19. La demanda anticipada de un product0 en el proximo mes puede representarse mediante una variable aleatoria normal con media 1.200 unidades y desviacion tipica 100 unidades. a) iCual es la probabilidad de que las ventas superen las 1.000 unidades? b) iCual es la probabilidad de que las ventas esten entre 1.000 y 1.300 unidades? C) ~ C u a n t a s unidades deben venderse como minimo para estar en el 10% mas alto? 20. La vida util de un neumatico de determinada marca sigue una distribucion normal con media 35.000 kilometros y desviacion tipica 4.000 kilometros. a) ~ Q u C proporcion de estos neumaticos tiene un tiempo de vida superior a 38.000 kilometros? b) ~ Q u C proporcion de estos neumaticos tiene un tiempo de vida inferior a 32.000 kilometros? C) LQUCproporcion de estos neumaticos tiene un tiempo de vida entre 32.000 y 38.000 kilometros? d) Dibujar un grafico con la funcion de densidad de 10s tiempos de vida, ilustrando (i) Por quC las respuestas de las preguntas (a) y (b) son iguales. (ii) Por quC las respuestas de las preguntas (a), (b) y (c) suman uno.

c) iCual es la probabilidad de que contenga entre 12 y 15 gramos de impurezas? d) Es posible, sin hacer 10s calculos, deducir cua1 de las respuestas a las preguntas (a) y (b) sera mayor, . ;.c6mo? -

21. Un fondo de inversion contiene acciones de un gran numero de compaiiias. A lo largo del ultimo aiio, las tasas de retorno producidas por estas compaiiias siguieron una distribucion normal con media 12.2% y desviacion tipica 7,2%. a) iPara quC proporcion de estas compaiiias la tasa de retorno fue mayor que el 20%? b) (,Para quC proporcion de estas compaiiias la tasa de retorno fue negativa? C) iPara quC proporcion de estas compaiiias la tasa de retorno estuvo entre el 5% y el IS%? 22. Una compaiiia produce un compuesto quimico y esta preocupada por su contenido de impurezas. Se estima que el peso de las impurezas por lote se distribuye segun una normal con media 12,2 gramos y desviacion tipica 2.8 gramos. Se elige un lote al azar. a) iCual es la probabilidad de que contenga menos de 10 gramos de impurezas? b) iCual es la probabilidad de que contenga mas de 15 gramos de impurezas?

23. Un contratista estima el coste de ejecutar determinado contrato como una variable aleatoria normal de media 500.000 pesetas y desviacion tipica 50.000 pesetas a) iCual es la probabilidad de que el coste de ejecutar el contrato estC entre 460.000 pesetas y 540.000 pesetas? b) iCu6ntas pesetas puede gastarse como maximo para estar en el 20% mas bajo? C) Encontrar el interval0 mas pequeiio tal que la probabilidad de que el coste estC contenido en 61 sea del95%. 24. Las notas obtenidas en un examen siguen una distribucion normal. iCual es la probabilidad de que un estudiante elegido al azar obtenga una nota mayor que la nota media mas 1,s veces la desviacion tipical 25. Va a estrenarse una nueva serie de television. Un ejecutivo de la cadena estima que su incertiduinbre sobre la audiencia de este programa en el primer mes de exhibicion puede representarse mediante una variable aleatoria normal con media 18,2 y desviacion tipica 1,6. Suponiendo que el ejecutivo tiene razon, iCual es el nivel de audiencia ~niilimo para estar por encima del lo%? 26. Un ejecutivo de una cadella de television esta estudiando propuestas para nuevas series. A su juicio. la probabilidad de que una serie tenga una audiencia mayor que 17,8 es 0.25, ademas la probabilidad de que la serie tenga una audiencia mayor que 19,2 es 0.15. Si la incertidumbre de este ejecutivo puede represrntarse l la mediante una variable aleatoria nonnal. j c ~ i es media y la desviacion tipica de esta distribucion?
27. Las notas obtenidas en un examen por u11 grupo grande de alumnos se distribuyen segun una ilormal de media 700 y desviacion tipica 120.
a) Se obtiene una A con una nota mayor que 820. ~QuC proporcion de estudiantes reciben una A ? b) S e obtiene una B con una nota entre 730 y 820. Un profesor tieile un grupo de 100 alumnos. que puede verse como una muestra aleatoria del total de 10s estudiantes, hallar el nuniero esperado de estudiantes de esta clase que obtendran una B. c) Se decide suspender a1 5% de estudiantes con notas mas bajas. iCual es la nota minirna necesaria para no suspender?

1 74

VARIABLES ALEATORIAS

CONTINUAS Y DISTRIBUCIONES DE PROBABILIDAD

28. Estoy considerando dos inversiones alternativas. En ambos casos, tengo dudas sobre el interCs que podria obtener. pero creo que mi incertidumbre puede representarse mediante dos distribuciones normales con medias y desviaciones tipicas representadas en la tabla siguiente. Me gustaria invertir en la opci6n que tenga mas probabilidades de producir un inter& mayor que el 1076, jcual deberia elegir? Media
Inversion A Inversion B 10.4 1 1,O

Desviacion tipica
12 4,O

29. Una compaiiia puede comprar materia prima a dos proveedores diferentes y esta interesada en el contenido de impurezas del producto. Una revision de 10s registros de cada proveedor indica que 10s niveles de impurezas contenidos en sendas remesas de producto siguen distribuciones normales con media y desviaci6n tipica contenidas en la tabla. La compaiiia esta especialmente preocupada porque el contenido de impurezas no exceda el SYC,y comprara a1 proveedor que con mas probabil~dad cumpla con este requisito. jQu6 proveedor habra que elegir?
-

Media Desviacion tipica -. - --

Proveedor A Proveedor B

4,4 4.2

0,4 0,6

Un profesor ha calculado que el tiempo invertido por 10s estudiantes en hacer unos ejercicios sigue una distribucion normal de media ciento cincuenta minutos y desviacion tipica cuarenta minutos. a) jCuBntor; minutos tarda un alumno si el 90% de sus com~aiieros tardan mas aue 61? b) jCuAntos minutos tarda un alumno si el 80% de sus compafieros tardan menos que 61? c) Se eligen dos estudiantes al azar. j C ~ a l es la probabilidad de que al menos uno de 10s dos tarde mas de dos horas en hacer 10s ejercicios? Una co~npaiiiade reparacion de fotocopiadoras encuentra. revisando sus expedientes, que el tiempo invertido en hacer un servicio puede representarse como una variable aleatoria normal con media setenta y cinco minutos y desviacion tipica veinte minutos. a) i,QuC proporci6n de servicios se hacen en menos de una hora? b) ;QuC proporcion de servicios se hacen en mas de noventa minutos?

c) Dibujar un grifico para mostrar por qu6 las respuestas a (a) y (b) son iguales. d) 0,l es la probabilidad de que un servicio se haga en mas de jcuantos minutos? 32. Los puntos en un test de aptitud se distribuyen segun una normal con media 420 y desviacion tipica 80. a) Se elige una persona al azar, jcual es la probabilidad de que obtenga una puntuacion entre 400 y 480? b) jCual es la minima puntuacion necesaria para estar entre el 10% mejor? C) Para una persona elegida a1 azar, sin hacer 10s cAlculos, determinar en cual de 10s siguientes intervalos es mas probable que est6 su puntuacion, 400-440,440-480,480-520,520, 560 d) jEn cual de 10s intervalos de (c) es menos probable que est6 su puntuacion? e) Se eligen al azar dos personas, jcual es la probabilidad de que al menos uno de 10s dos obtenga mas de 500 puntos? 33. Se estima que el tiempo que una famosa banda de rock, 10s Living Ingrates. permanecen en escena en sus conciertos sigue una distribucion normal con media doscientos minutos y desviaci6n tipica veinte minutos. a) ~ Q u C proporcion de conciertos de esta banda duran entre ciento ochenta y doscientos minutos? b) Una persona de la audiencia quiere grabar el concierto en una cinta de doscientos cuarenta y cinco minutos. jcual es la probabilidad de que no tenga espacio suficiente para grabar el concierto complete? C) Si la desviacion tipica del tiempo de duration de 10s conciertos fuera solo de quince rninutos, determinar. sin hacer 10s calculos, si la probabilidad de que el concierto dure mas de doscientos cuarenta y cinco minutos seria mayor, menor o igual que la h d a d a en (b). Dibujar un grafico para ilustrar la respuesta. d) 0.1 es la probabilidad de que un concierto de 10s Living Ingrates dure menos de jcuantos minutos? (Utilizar, como al principio. que la desviacion tipica es veinte minutos.) 34. Un grupo grande de alumnos hace un examen de economia. Las notas s e distribuyen segun una normal de media 70, ademas la probabilidad de que un alumno elegido a1 azar obtenga una nota menor que 85 es 0,9332. Se eligen cuatro estudiantes a1 azar. jCual es la probabilidad de que al menos uno de ellos obtenga mas de 80 puntos en el examen?

EL TEOREMA CENTRAL DEL L ~ M I T E

1 75

5.6 EL TEOREMA CENTRAL DEL L~MITE

Muchas de las variables aleatorias que se encuentran en la practica son sumas o promedios de un numero grande de variables aleatorias independientes. Sean X,, X2, ..., X,, n variables aleatorias independientes con idCntica distribucidn de media p y varianza d. Representaremos su suma por

Hemos visto en las Secciones 4.4 y 5.4 que la media de una suma es la suma de las medias y que, para variables aleatorias independientes, la varianza de la suma es la suma de las varianzas. Por tanto, la media y la varianza de X son E(X)=np Var(X)=na2 Ademas, para cualquier variable aleatoria, a1 restar la media y dividir por la desviacion tipica, se obtiene una variable aleatoria de media 0 y varianza 1, asi que la variable aleatoria

tiene media 0 y varianza 1. Dividiendo el numerador y el denominador de esta expresidn por n se obtiene

1-1
donde

z= a/&
ff = x , + x 2 + , . . + x , ,
X - -

es el promedio de las Xi. Hasta aqui no hay nada nuevo. La informacidn crucial que proporciona el teorema central del limite, es que, sea cual sea la distribucidn de las Xi (suponiendo que la varianza u2sea finita), cuando el numero de tCrminos de la suma, n, es grande, la distribucidn de Z tiende a una distribucidn normal estindar. Teorema central del limite Sean XI, X2, ..., X,%n variables aleatorias independientes y con idCntica distribuci6n de media p y vaSean X y X la suma y el promedio de estas variables aleatorias, respectivamente. Cuando n se rianza u2. hace grande, la distribucidn de
X-np

X-p

z=
tiende a la normal estandar.

V W ==

El teorema central del limite tiene un impact0 sustancial en la practica de la estadistica. Muchos problemas pricticos involucran sumas o promedios de variables aleatorias, en estas circunstancias, en virtud de este teorema, la distribucidn normal a menudo proporciona una buena aproximacion a la distribucidn real. El resultado puede aplicarse en muchas ocasiones. Afirrna que cua1qziier.a que sea la distribucidn comun de un conjunto de variables aleatorias, suponiendo que su varianza sea finita, la suma o el promedio de un numero moderadamente grande de ellas sera una variable aleatoria con distribucidn parecida

a la normal. Para ilustrar este hecho, en las Secciones 5.2 y 5.3 introdujimos la distribuci6n uniforme. La forma de la funci6n de densidad de esta variable aleatoria es ciertarnente muy diferente a la de la normal. Sin embargo, el promedio de un n h e r o moderadamente grande de variables aleatorias independientes con distribuci6n uniforme tiene una distribuci6n pparecida a la normal. La Figura 5.16 muestra la funci6n de densidad de 10s promedios de una, dos y diez variables aleatorias uniformes independientes. En la parte (a) de la figura, para n=l, vemos la funci6n de densidad uniforme que ya conocemos. La parte (b) muestra la funcidn de densidad, que tiene forma triangular, del promedio de n=2 de estas variables. Finalmente, haciendo el promedio de n=10 observaciones, vemos, en la parte (c), que la funci6n de probabilidad ya es muy similar a la de una distribuci6n normal. La distribuci6n uniforme es simCtrica alrededor de la media. Sin embargo, el teorema central del limite puede aplicarse tambiCn a variables asimCtricas. Para ilustrar este hecho, la Figura 5.17(a) muestra una distribucidn de este tipo8. La forma de su funcidn de densidad es muy diferente a la de la distribuci6n normal. Las partes (b) y (c) de la figura muestran las funciones de densidad de 10s promedios de n=4 y n=10 observaciones independientes de esta distribucibn. Como puede verse, cuando hay diez valores en el promedio, la forma de la funcidn de densidad ya es bastante parecida a la de una variable aleatoria normal. La validez del teorema central del limite no est6 limitado a variables aleatorias continuas. Se extiende tambiCn a variables aleatorias discretas. En la siguiente secci6n veremos c6mo podemos utilizar el teorema para obtener buenas aproximaciones de probabilidades de intervalos para variables aleatorias distribuidas seg6n una binomial o una Poisson. En el Capitulo 6, consideraremos el problema importante de hacer inferencia sobre una poblacibn, basando 10s resultados en una muestra. Muchas de las medidas calculadas a partir de una muestra son sumas o promedios. Por consiguiente, el teorema central del limite es muy relevante y proporciona validez a muchas de las tCcnicas que se utilizan para enfocar estos problemas.

FIGURA 5.16 Forma de las funciones de densidad del promedio de n variables aleatorias uniformes independientes

(a) n = 1

'Esta es una distribuci6n chi-cuadrado con un grado de libertad. Encontraremos esta distribuci6n otra vez en la Secci6n 6.4

h DISTRIBUCI~N NORMAL COMO UNA APROXIMACI~N A LAS DISTRIBUCIONES BINOMIAL Y DE POISSON

177

(b) n 2

5.7 LA DISTNBUCI~NNORMAL COMO' UNA APRONMACI~N A LAS DISTRIBUCIONES BINOMIAL Y DE POISSON

En el Capitulo 4, introdujimos las distribuciones binomial y de Poisson, y mostramos cdmo pueden calcularse probabilidades para estas variables aleatorias. Surgid el hecho de que, en 10s casos en 10s que el n ~ m e r o de repeticiones en la binomial era muy grande o la media de la distribuci6n de Poisson

FIGURA 5.17 Formas de la funci6n de densidad del promedio de n variables aleatorias independientes de una distribuci6n chi-cuadrado con un grado de libertad

(a) n

(b) n 4

era grande, estos c6lculos constituian un gran trabajo. Afortunadamente, a consecuencia del teorema central del limite, puede conseguirse una simplificacibn computacional importante a travts de la aproximaci6n normal de estas distribuciones. Discutiremos e ilustraremos estas aproxirnaciones a continuaci6n.

Si se llevan a cab0 n intentos, cada uno con probabilidad p de txito, entonces el ntimero X de txitos conseguidos tiene una distribuci6n binomial con media y varianza

Vimos en la Secci6n 4.5 que la variable aleatoria X podia escribirse como la suma de n variables aleatorias Bernouilli independientes, es decir,

donde la variable aleatoria Xi toma el valor 1 si el resultado del intento i-tsimo es "txito" y 0 en otro caso, con probabilidadesp y 1-p, respectivamente. ~ s t es e precisamente el context0 en el que puede aplicarse el teorema central del limite. Se deduce, por tanto, que si el ntimero de intentos n es grande, la distribuci6n de la variable

es aproximadamenteuna normal esthdar.

La importancia de este re'sultado es la facilidad que proporciona para calcular la probabilidad de que el nlimero de Cxitos estC dentro de un interval0 dado. Supongamos que queremos calcular la probabilidad de que el nlimero de Bxitos estB entre a y b, ambos inclusive. Tenemos entonces

Si el niunero de intentos n es grande, la distribuci6n de Z puede aproximarse mediante la normal esthdar, de forma que la probabilidad anterior puede calcularse utilizando 10s mCtodos de la Sec1 ci6n 5.5 Si el nlimero de intentos n es de tamaiio moderado, entonces puede conseguirse una mejora a esta aproximaci6n. Estamos en este caso, aproximando una distribuci6n discreta mediante una distribuci6n continua: Mientras que la binomial puede tomar solamente valores enteros, la variable aleatoria normal esth definida e n a n continuo. Para permitir esta distinci6n se aplica la correccibn de continuidad a la f6rmula anterior, reemplazando a y b por (a - 0,5) y (b + 0,5), respectivamente. Tenemos entonces

Para comprender la raz6n de esta modificaci6n, supongamos que buscamos la probabilidad de que el nlimero de Cxitos sea mayor o igual que 10 y menor o igual que 15. Como el nlimero de Cxitos debe ser un niunero entero, la probabilidad que se busca es la misma que la de que el nlimero de txitos sea mayor o igual que 9,001 y menor o igual que 15,999. Como un compromiso entre estos dos extremos, emplearemos el rango que tiene como limites 9,5 y 15,5.

Aproximaci6n de probabilidades binomiales usando la distribuci6n normal Sea X el ndmero de Cxitos que resultan de n intentos independientes, cada uno con probabilidad de txito p. Si n es grande y p no es ni demasiado grande ni demasiado pequeiio 9 , entonces, la siguiente es una buena aproximacih
P ( a s X 5 b)=P

o, usando la correcci6n de continuidad,

P(a
5

x 5 b) = P

a-0,5-n ( ~-~

szs
~

b+0,5 - np ( Vn ~p ( l - P )

donde Z es una distribuci6n normal esthdarI0.

'En-este caso debe utilizarse la aproxirnaci6n Poisson a la distribuci6n binomial (ver Secci6n 4.7). La aproximaci6n simple es generalmente suficiente si n r 50, si por el contrario 20 s n < 50, entonces es preferible utilizar la comccibn de continuidad. En realidad, la calidad de la aproxirnaci6n depende tambiCn dep y es bastante fiable si np(1 -p) > 9.
10

EJEMPLO Un vendedor contacta telef6nicamente con clientes potenciales para estudiar si merece la pena una visita a domicilio. Su experiencia le indica que el 40% de sus contactos por telCfono vienen seguidos 5-11 de una visita a domicilio. Si contacta con 100 personas por telBfono, jcu6l es la probabilidad de que , se realicen entre cuarenta y cinco y cincuenta visitas como resultado? Sea X el ncmero de visitas a domicilio. Entonces X tiene una disbibuci6n binomial con n = 100 y p = 0,4. Aproximando la probabilidad que se pide sin utilizar la correcci6n de continuidad obtenemos

Esta probabilidad se muestra representada como un ikea por debajo de una curva normal en la Figura 5.18. Utilizando la correcci6n de continuidad para aproximar esta probabilidad binomial, tenemos

~ ( 4r 5 x 5 50) = P[

443 - (100)(0,4)r z r 50.5 - (100)(0,4)] (100)(0,4)(0,6) V(100)(0,4)(0,6

Las dos aproximaciones,en este caso, danresultados muy parecidos. Para muchas aplicaciones, la aproximaci6n m6s sencilla seria suficiente en este caso (de hecho, utilizando 4 decimales, la probabilidad exacta en este caso es 0,1621).

Sea la variable aleatoria X el n h e r o de veces que ocurre un suceso en determinado intervalo de tiempo, y sea A el n h e r o esperado de ocurrencias en dicho intervalo. Entonces X sigue una distribuci6n de Poisson, como se discuti6 en la Secci6n 4.7, con media y vaiianza

FIGURA 5.18 Probabilidad de conseguir e n d 45 y 50 Bxitos en 100 intentos binomiales, cada uno con probabilidad de Bxito 0.4.Esta probabilidad se muestra como la probabilidad . 0 2y 2 . 0 4 de que una variable aleatoria normal esthdar estB entre 1

FIGURA 5.19 Ocurrencias (a) en el intervalo que va de 0 a t dividido en subintervalos de idCntica longitud

ConsidCrese ahora la situaci6n en la que el ndmero de ocurrencias esperadas, A, es grande. Supongarnos que el intervalo de tiempo se divide en subintervalos de identica longitud, como en la Figura 5.19. Entonces el ndmero total se ocurrencias es la suma de las ocurrencias en cada subinterval~. Por tanto, vemos que cuando la media de la distribuci6n de Poisson es grande, el nlimero total de ocurrencias puede verse como la suma de un nlimero moderadamente grande de variables aleatorias, cada una de las cuales representa el nlimero de ocurrencias en un subinterval0 del periodo de tiempo. Entonces, invocando el teorema central del limite, se deduce que cuando A es grande, la distribuci6n de la variable aleatoria

es aproximadamente una normal esthdar. Como en el caso de la dismbuci6n binomial, este resultado permite aproximar probabilidades. Una vez mis, si A es de tarnaiio moderado, seri conveniente aplicar una correcci6n de continuidad.

Aproximaci6n de probabilidades de Poisson usando la distdbuci6n normal

Sea X una variable aleatoria de Poisson con media A. Si A es grande, entonces, la siguiente es una buena aproximaci6n

o, usando la correcci6n de continuidad,

P ( a S X 5 b)-P SZS

vx

donde Z tiene una distribuci6n normal esthdar.

EJEMPLO

5-12

Una oficina de defensa del consumidor recibe, en promedio, veinticinco llamadas por dia, y puede suponerse que la dismbuci6n es de Poisson. Estimar la probabilidad de que el nlimero de llamadas recibidas en un dia estC entre veinte y treinta. SeaX el niunero de Uamadas mibidas, de forma que X tiene una distribuci6n de Poisson con media A = 25. Aproximando la distribuci6ri de Poisson mediante la distribuci6n normal, sin correcci6n de continuidad

Si se utiliza la correcci6n de continuidad para aproximar esta probabilidad, se obtiene

Las dos aproxim'aciones son bastante parecidas en este caso; ambas sugieren que aproximadamente el 70% de 10s dias se reciben entre 20 y 30 llamadas. En 10s casos en 10s que h es mAs pequeiio, es preferible utilizar la comcci6n de continuidad, mientras que si A es a1 menos 40, la aproximaci6n mAs sencilla es suficientemente buena.
-3

"

EJERCICIOS
35. Una compaiifa de alquiler deJautom6vilesha determinado que la probabilidad-de que un coche necesite una revisi6n en un mes es 0.2. La compaiiia tiene 900 coches a) LCud es la probabilidad de que miis de 200 coches necesiten revisi6n en un mes deterrninado? b) LCuiil es la probabilidad de que menos de 175 CCP ches necesiten revisi6n en un mes deterrninado? (Usar la aproximaci6n normal a la distribuci6n binomial sin comcci6n de continuidad.) 36. Se sabe que el 10% de las unidades producidas por un proceso de fabricaci6n resultan defectuosas. De la producci6n total de un dia, se seleccionan 400 usdades aleatoriamente. a) LCud es la probabilidad de que al menos 35 de ellas Sean defectuosas? b) cud es la probabilidad de que entre 40 y 50 de ellas sean defectuosas? c) ~Cuiil es la probabilidad de que entre 34 y 48 de ellas Sean defectuosas? d) Sin hacer 10s cdculos, determinar cud de estos rangos de nl'lmero de unidades defectuosas es m b probable: 37-39,3941,4143,4345,4S47. (Usar la aproximaci6n normal a la distribuci6n binomial sin correcci6n de continuidad.) 37. Se toma una muestra de 100 trabajadores de una gran empresa para estudiar su actitud frente a un cambio en el mCtodo de trabajo. Si el 60% de todos 10s trabajadores de la empresa estiin a favor del cambio, cud es la probabilidad de que menos de 50 de 10s miembros de la muestran estCn a favor? (Usar la aproximaci6n normal a la distribuci6n binomial sin correcci6n de continuidad.) 38. Supongamos que la mitad de todos 10s estudiantes que utgizan laiesidencia de un campus no e s t h sa-

'

tisfechos con el servicio de comidas. Se toma una muestra de 40 estudiantes. a) LCud es la probabilidad de que miis de quince estudiantes de la muestra no est6n satisfechos con el servicio de comidas? b) cud es la probabilidad de que el n h e r o de estudiantes que no e s t h satisfechos con el servicio de comidas estC entre 18 y 22 (ambos inclusive)? (Usar la aproximaci6n normal a la distribuci6n binomial con correcci6n de continuidad.). 39. Un hospital encuentra que el 25% de sus facturas tienen por lo menos un mes de retraso. Se toma una muestra aleatoria de cuarenta y cinco facturas. a) cud es la probabilidad de que haya menos de diez facturas atrasadas en.la muestra? b) ~Cuiil es la probabilidad de que el ndmero de facturas atrasadas est6 entre doce y quince (ambos inclusive)? (Usar la aproximaci6n normal a la distribuci6n binomial con conecci6n de continuidad.) 40. El tiempo de vida de un neumiitico puede representarse (como en el Ejercicio 20) mediante una distribuci6n normal con media 35.000 kil6metros y desviaci6n tipica 4.000 kil6metros. Se toma una muestra de 100 de estos neumiiticos. ~Cuiil es la probabilidad de que miis de 25 de ellos tengan un tiempo de vida superior a 10s 38.000 kil6metros? (Usar la aproximaci6n normal a la distribuci6n binomial con conecci6n de continuidad.) 41. El compuesto quimico producido por una compaiiia (como en el Ejercicio 22) tiene un peso de impurezas por lote que se distribuye s e g h una normal con media 12.2 gramos y desviaci6n tfpica 2,8 gramos. Se eligen 400 lotes al azar. cud es la probabilidad de que al menos 100 de ellos contengh menos de 10 gramos de impurezas?

42. En la hora antes de mediodia la centralita de una empresa recibe una media de 55 llamadas. a) cull es la probabilidad de que se reciban mls de 70 llamadas en ese periodo de tiempo? b) cull es la probabilidad de que se reciban menos de 50 llamadas en ese periodo de tiempo? C) cull es la probabilidad de que se reciban entre 50 y 70 llamadas en ese periodo de tiempo? (Usar la aproximaci6n normal a la distribucibn de Poisson sin correcci6n de continuidad.) 43. La enfermeda de un campus recibe pacientes a una tasa de 30 por hora a las horas del mediodia. a) Hallar la probabilidad de que lleguen menos de 25 pacientes en una hora al mediodia.

b) Hallar la probabilidad de que lleguen mls de 40 pacientes en una hora a1 mediodia. C) Hallar la probabilidad de que lleguen entre 25 y 30 pacientes en una hora a1 mediodia. (Usar la aproximaci6n normal a la distribuci6n de Poisson con y sin correcci6n de continuidad, y comparar 10s resultados.) 44. Una compaiiia recibe, de media, 22 Qdenes de reemplazamiento de una pieza en particular a la semana. Si comienza la semana con un stock de 25 repuestos de esta pieza, jcull es la probabilidad de que se agote el stock esta semana? (Usar la aproximaci6n normal a la distribucidn de Poisson con y sin correcci6n de continuidad, y comparar 10s resultados.)

Finalizamos este capitulo introduciendo una distribuci6n continua, la distribuci6n exponencial. Esta distribuci6n resulta de gran utilidad para atacar problemas de listas de espera y colas. Cuando el riempo de servicio a un cliente es aleatorio. esta incertidumbre puede representarse a menudo mediante una distribuci6n exponencial. La distribuci6n exponencial difiere de la normal en dos caracteristicas bdsicas: se restringe a variables aleatorias que pueden tomar valores positivos linicamente, y su funci6n de densidad no es simCtrica alrededor de la media. Las propiedades de la distribuci6n exponencial se resumen a continuaci6n en el recuadro.

La distribuci6n exponencial Si la variable aleatoria X no puede tomar valores negativos y tiene funci6n de densidad e-"'
fdx) = I*.

parax r o

donde p & cualquier niimero positivo y e = 2,7 1828...,entonces se dice que X sigue una distribuci6n expo-

nencial.
La funci6n de distribuci6n acumulada es FAX) = 1 - e-I''' La distribuci6n tiene media p y varianza p2. para x r 0

EJEMPLO

5-13

El tiempo de atenci6n a1 cliente en un servicio de informaci6n de una biblioteca sigue una distribuci6n exponencial, con un tiempo de servicio medio de cinco minutos. LCUAes la probabilidad de que una consulta de un cliente dure m8s de diez minutos?

FIGURA 5.20 Funci6n de densidad de la distribuci6n exponencial con media 5; el 6rea sombreada es P(X > 10)

Sea X el tiempo de atencih, en minutos. La funci6n de densidad es

e-I/5

fx(x) = -

parax 1 0

En la Figura 5.20 se muestra el grhfico de esta funcibn, donde la probabilidad que se pide, P(X > lo), esth sombreada. La probabilidad es

que se obtiene de la Tabla 2 del ApCndice. La distribuci6n exponencial estd relacionada con la distribuci6n de Poisson de la Secci6n 4.7. Mhs concretamente, si el ndmero de ocurrencias de un suceso en un interval0 de tiempo sigue una distribuci6n de Poisson con media A, puede probarse que el tiempo que pasa entre dos ocurrencias consecutivas del suceso sigue una distribuci6n exponencial de media p = 1/A. Enkl Ejemplo 4.15 consideramos una tipica planta industrial en Gran Bretaiia con 2.000 empleados para la cual el nlimero de huelgas a1 cab0 de un aiio podia representarse mediante una distribuci6n de Poisson con media A =0,4. Por tanto, el tiempo, en aiios, entre dos huelgas consecutivas tiene una distribuci6n exponencia1 con media 1/0,4 = 2,5 aiios. Por ejemplo, la probabilidad de que pasen menos de dos aiios entre dos huelgas consecutivas es

EJERCICIOS
I

45. Un profesor recibe a sus estudiantes durante 1 ; s horas de oficina. El tiempo invertido con cada estudiante sigue una distribuci6n exponencial con media diez minutos. a) Hallar la probabilidad de que un determinado estudiante estC menos de veinte minutos con el profesor.

b) Hallar la probabilidad de que un deterrninadoestudiante estC mi& de cinco rninutos con el profesor. c) Hallar la probabilidad de que un determinado estudiante estC entre diez y quince minutos con el profesor. 46. ,El tiempo que se tarda en atender avunpaciente en un ambulatorio, sigue una distribuci6n expo-

nencial con media quince minutos. Hallar la probabilidad de que, para un paciente elegido de forma aleatoria, el tiempo de atenci6n sea superior a dieciocho minutos. 47. Se sabe que en un laboratorio informltico, el nlimero de fallos del sistema durante un mes sigue una distribuci6n de Poisson con media 0,8. El sistema acaba de fallar. Hallar la probabilidad de que pasen dos meses antes del pr6ximo fallo del sistema. 48. Supongamos que el tiempo que transcurre entre dos ocurrencias de un suceso sigue una distribuci6n ex-

ponencial con media l/A minutos. Supongamos que ocurre el suceso. a) Probar que la probabilidad d e que pasen m h de bes minutos antes de la pr6xima ocurrencia es e-3A. b) Probar que la probabiidad de que pasen m h de seis minutos antes de la pr6xima ocurrencia es ea. c) Usando 10s resultados de (a) y (b), probar que si han pasado ya tres minutos desde la dltima ocurrencia, la probabilidad de que pasen otros tres minutos es e-3A.Explicar la respuesta con palabras.

EJERClClOS DE R E P A S O
49. Explicar qu6 informaci6n puede obtenerse de cada uno de 10s siguientes conceptos: 53. En la prlctica, hallamos probabilidades de cualquier distribuci6n normal bashdonos en la distribuci6n normal esthdar. Supongamos que se dispone de tablas de la normal de media 1 y desviaci6n tfpica 10, en lugar de tablas de la normal esthdar. tPodn'an usarse estas tablas para hallar probabilidades de cualquier dismbuci6n normal? Si es asi, explicar c6mo. 54. Un consultor sabe que le costar6 diez millones de pesetas cumplir determinado contrato. El contrato va a ser subastado y el consultor opina que la oferta m l s baja, excluyendo la suya, se puede representar mediante una distribucikn uniforme entre 8 millones y 20 millones de pesetas. Por tanto, si la variable X representa la oferta miis baja (en millones de pesetas), su funci6n de densidad es

a) La funci6n de distribuci6n acumulada de una variable aleatoria continua. b) La funci6n de densidad de una variable aleatoria continua. C) La media de una variable aleatoria continua. d) La desviaci6n tipica de una variable aleatoria continua. e) La covarianza enbe dos variables aleatorias continuas. 50. "En la vida real, las variables de inteds se miden en escalas discretas. Por tanto, el estudio de variables aleatorias continuas es s610 de inteds acadkmico y no tiene aplicaci6n pktica." Comentar esta afirmaci6n.
51. Contestar las siguientes preguntas:

a) ~ P o qu6 r es necesario utilizar tablas para hallar probabilidades de una distribuci6n normal? b) ~ P o qu6 r es necesario tabular probabilidades de una @ca distribuci6n normal de entre las infinitas existentes? C) ~ P oqu6 r es importante la distribuci6n normal en el estudio de la estadfstica? 52. "Muchas de las cantidades que medimos -como la altura, el peso y la distancia- son necesariamente positivas. Por tanto, la media de dichas cantidades sera siempre positiva. Sin embargo, la distribuci6n normal supone valores que pueden estar entre menos infinito y rnls infinito. Por consiguiente, a pesar del teorema central del lfmite, la distribuci6n normal no puede ser una buena aproximaci6n para este tipo de medias muestrales." Comentar esta afirmaci6n.

1/12

para 8 < x < 20 para el resto de las x

a) tCull es la probabilidad de que haya alguna oferta mls baja que el coste estimado de 10 millones de pesetas? b) Si el consultor hace una oferta de 12 millones de pesetas; tcull es la probabilidad de que consiga el contrato? c) El consultor decide hacer una oferta por 12millones de pesetas, tcua es el beneficio esperado de esta estrategia? d) Si el consultor quiere hacer una oferta que le reporte el mlximo beneficio esperado, discutir c6mo deberia procedeq. 55. Las edades de un grupo de ejecutivos que acuden a una convenci6n se distribuyen de forma uniforme

entre treinta y cinco y sesenta y cinco aiios. Si X representa la edad, en aiios, la funci6n de densidad de esta variable sera para 35 < x < 65 1/30 para el resto de las x a) Dibujar la funci6n de densidad de la variable aleatoria X. b) Hallar y dibujar la funci6n de distribuci6n acumulada de esta variable aleatoria. c) Hallar la probabilidad de que la edad de un ejecutivo de este grupo elegido a1 azar est6 entre cuarenta y cincuenta aiios. d) Hallar la media de la edad de 10s ejecutivos de este grupo. 56. La variable aleatoria X tiene funci6n de densidad paraO<x< 1 paral<x<2 para el resto de las x a) Dibujar la funci6n de densidad de esta variable aleatoria. b) Probar que la funci6n de densidad tiene las propiedades de una funci6n de densidad propia. c) Hallar la probabilidad de que esta variable aleatoria tome un valor entre 0,s y 1,s. 57. Un inversor coloca 2 millones de pesetas en un dep6sito con un interts fijo del 10% al aiio. Invierte tambitn 1 mill6n en un fondo con un inteds esperado del 16% y una desviaci6n tipica del8% anual. a) Hallar el valor esperado de la cantidad de dinero que tendra este inversor al cab0 de un aiio. , b) Hallar la desviaci6n tipica de la cantidad total de dinero ai cab0 de un aiio. 5 8 . Un puesto vende hamburguesas a 145 pesetas cada una. Las ventas diarias tienen una distribuci6n con media 530 y desviaci6n tfpica 69. a) Hallar la media de 10s ingresos diarios por la venta de hamburguesas. b) Hallar la desviaci6n tipica de 10s ingresos diarios pot la venta de hamburguesas. c) Los costes, en pesetas, vienen dados por C = 10.000 + 95x donde X es el nhnero de hamburguesas vendidas. Hallar la media y la desviaci6n tipica de 10s beneficios obtenidos por las ventas de hamburguesas. 59. Un analista hace predicciones sobre las ganancias de una corporaci6n. Su ~egistro se evalda comparando las ganancias reales con las ganancias estimadas. Definamos
Ganancias reales = Ganancias estimadas + Error de prediccidn

Si las ganancias estimadas y el error de predicci6n son independientes entre si, probar que la varianza de las ganancias estimadas es menor que la varianza de las ganancias reales. 60. Sean XI y X 2 un par de variables aleatorias. Probar que la covarianza entre las variables (XI + XZ) y (XI -Xz) es 0 si y s610 si XI y X2 tienen la misma varianza. 61. Los promedios de las notas de 10s estudiantes de una facultad' siguen una distribuci6n normal con media 2,6 y desviaci6n tfpica 0,s. a) Se elige un estudiante de esta facultad a1 azar. iCuAl es la probabilidad de que el promedio de sus notas sea mayor que tres'l b) Se elige un estudiante de esta facultad a1 azar. ~ C U es A la probabilidad de que el promedio de sus notas estt entre 2,25 y 2,75? C) LCUA~ es la nota minima que necesita un estudiante para estar entre 10s diez mejores? d) Se toma una muestra aleatoria de 400 estudiantes de esta facultad. iCuAl es la probabilidad de que al menos 80 de ellos tengan una nota media mayor que tres? e) Se eligen dos estudiantes de esta facultad al azar. ~Cuiil es la probabilidad de que al menos uno de ellos tenga una nota media mayor que tres? 62. Una compaiiia repara aparatos de aire acondicionado. Se sabe que el tiempd que se dedica a cada reparaci6n sigue una distribuci6n normal con media sesenta minutos y desviaci6n &pica diez minutos. a) iCu61 es la probabilidad de que se dediquen mas de sesenta y cinco minutos a un servicio de reparaci6n? b) iCu6l es la probabilidad de que se dediquen entre cincuenta y setenta minutos a un servicio de reparaci6n? c) 0,25 es la probabilidad de que se dedique a un servicio miis de ~ C U ~ minutos? ~ O S d) Hallar el rango m& corto de tiempo en el c u d esttn contenidos el 50% de 10s tiempos de servicio. e) Se toma una muestra aleatoria de cuatro servicios. iCu6l es la probabilidad de que exactamente a dos de ellos se les tengan que dedicar miis de sesenta y cinco minutos? 63. Se ha comprobado que el tiempo que tarda la gente en rellenar un formulario de Hacienda sigue una distribuci6n normal con media cien minutos y desviaci6n t@ica treinta minutos. a) iCu6l es la probabilidad de que una persona elegida al azar tarde menos de ochenta y cinco minutos en rellenar este formulario?

b) jCull es la probabilidad de que una persona elegida a1 azar tarde entre setenta y ciento treinta minutos en rellenar este formulario? c) El 5% de la gente tarda p i s de cuihtos minutos en rellenar el formulario? d) Se eligen dos personas a1 azar. jCull es la probabilidad de que a1 menos una de ellas tarde rnis de una hora en rellenar el formulario? e) Se eligen cuatro personas a1 azar. jCuil es la probabilidad de que exactamente dos de ellas tarde rnls de una hora en rellenar el formulario? f) Para una persona elegida a1 azar, indicar en cull de 10s siguientes rangos es rnls probable que estt contenido el tiempo que tardarl en rellenar el formulario: 70-90 90-110 110-130 130-150 g) Para una persona elegida al azar, indicar en cud de 10s siguientes rangos es menos probable que estt contenido el tiempo que tardarl en rellenar el formulario: 90-1'10 110-130 130-150 70-90 64. Un servicio de reparto de pizzas a domicilio reparte en una residencia de estudiantes. Los tiempos de entrega siguen una distribuci6n normal con media veinte minutos y desviaci6n tipic? cuatro minutos. a) jCuil es la probabilidad de que se tarde entre quince y veinticinco minutos en enbegar una pizza? b) La pizza no tiene cargo si no es entregada en menos de h t a minutos, jcud esla probabilidad de tomarse una pizza gratis si se ha& un linico @do? c) Durante la semana de e x h e n e s finales, un estudiante planea pedir una pizza cinco noches consecutivas. Supongamos que 10s tiempos de entrega de las pizzas son independientes entre si. jCull es la probabilidad de que este estudiante consiga a1 menos una pizza gratis? d) Encontrar el rango rnis corto en el cud estt contenido el 40% de 10s tiempos de entrega. e) Para un pedido en particular, indicar en cud de 10s siguientes rangos (expresados en minutos) es m h probable que estt contenido el tiempo de enbega: 18-20 J 0 - 2 1 20-22 21-23 f) Para un pedido en particular, indid& en cuil de 10s siguientes rangos (expresados en minutos) es menos probable que estt contenido el tiempo de entrega: 18-20 10-21 20-22 21-23 65. Una cadena de alquiler de videos estima que 10s gastos anuales de 10s socios en alquileres sigue una distribuci6n normal con media 10.000 pesetas. Tambitn se ha encontrado que el 10% de todos 10s socios gasta m8s de 13.000 pesetas a1 aiio. jQut

66.

67.

68.

69.

70.
'

71.

porcentaje de socios gasta m8s de 14.000 pesetas a1 aiio? Se estima que la cantidad de dinero que se gastan en gasolina 10s clientes de una estaci6n de servicio sigue una distribuci6n normal con desviaci6n Ppica 250 pesetas. Tambitn se ha encontrado que el 10% de 10s clientes gasta rnis de 1.500 pesetas. jQut porcentaje de clientes gasta menos de 1.000 pesetas? Una organizaci6n de investigaci6n de mercados ha encontrqdo que el 40% de 10s clientes de un supermercad0 no quiere contestar cuando son encuestados. Si se pregunta a 1.000 clientes, jcud es la probabilidad de que menos de 500 de ellos se nieguen a contestar? Una organizaci6n que se dedica a dar seminarios sobre mttodos de motivaci6n de ventas determina que el 60% de sus clientes ha asistido anteriormente a otros seminarios. De una muestra de 400 clientes, jcud es la probabilidad de que rnls de la mitad de ellos hayan asistido anteriormente a!alghn seminario? Un servicio de gnia de auxilio recibe diariamente una media de 70 llamadas. Para un dia cualquiera, cud es la probabilidad de que se reciban menos de cincuenta llamadas? En unos grandes almacenes, la oficina de atenci6n a1 cliente recibe una media de seis reclamaciones por hora sobre la calidad del servicio. La distribuci6n es Poisson. a) jCud es la probabilidad de que se reciban exactamente seis reclamaciones en una hora determinada? b) j M es la probabilidad de que pasen m h de veinte minutos enbe dos reclamaciones consecutivas? c) jCull es la probabilidad de que pasen menos de cinco minutos entre dos reclamaciones consecutivas? d) El director de 10s grandes almacenes observa la oficina de atenci6n al cliente durante treinta minutos, durante 10s cuales no hay reclamaciones, y llega a la conclusi6n de que la charla que dio a 10s empleados sobre el tema "el cliente siempre tiene raz6n" ha tenido un efecto positivo. Supongamos que la verdad es que la charla no tuvo ninghn efecto. cull es la probabilidad de que el director observe un period0 de 4 menos treinta minutos sin ninguna reclamaci6n? Una emisora de radio de Chicago Cree que el 40% de sus oyentes son menores de veinticinco aiios. Se eligen seiscientos oyentes aleatoriamente. a) Si lo que Cree la emisora es cierto, jcual es la probabilidad de que rnls de 260 de estos oyentes sean menores deveinticinco aiios?

b) Si lo que cree la emisora es cierto, entonces, 0,6 es la probabilidad deque ~ m de h cuhtos de 10s oyentes de la muestra sean menores de veinticinco aiios? 72. Se ha estimado que el tiempo de duraci6n de un partido de baseball de primera divisi6n sigue una distribuci6n normal con media ciento treinta y dos minutos y desviaci6n tipica doce minutos. proporci6n de todos 10s partidos duran ena) ~ Q u C tre ciento veinte y ciento cincuenta minutos? 1 b) El 33%'de 10s partidos duran miis de ~ c u h t o s minutos? c) ~ Q u proporci6n t de partidos duran miis de ciento veinte minutos?

d) Si se eligen 100 partidos de forma aleatoria, jcu6I es la probabilidad de que al menos 25 de euos duren menos de ciento veinte minutos? 73. Un consultor de direcci6n ha encontrado que la cantidad de tiempo que invierten 10s ejecutivos cada dfa en llevar a cab0 tareas que podrian hacer con la misma eficiencia sus subordinados tiene una distribuci6n normal de media 2,4 horas. Tambikn se ha estudiado quexl 10% de 10s ejecutivos invierten miis de 3,5 horas a1 dia en hacer este tip0 de tareas. Para una muestra de 400 ejecutivos, hallar la probabilidad de que miis'de 80 de ellos inviertan mas de tres horas a1 dfa en tareas de este tipo.