Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ejercicios Distribuciones PDF
Ejercicios Distribuciones PDF
Tercera
Unidad Didctica
"DISTRIBUCIONES DE PROBABILIDAD
DISCRETAS"
144
cualquier
experimento
aleatorio
tenemos
resultados
cualitativos
145
P(X)
1/4
1/2
1/4
146
E [ X] = x1 p1 + x 2 p 2 +... +x n p n
= ! p ix i = E[ X]
i=1
147
V [X ] = E ( x ! )
Es decir:
V[X] = (x1 ! ) p1 + ( x2 ! ) p2 +...+ ( xn ! ) p n
2
Puesto que la varianza no podra medirse en las mismas unidades que la variable,
utilizamos la raz cuadrada de la varianza y a este nmero la llamamos desviacin
tpica.
Desv[ X] = V[X]
Desv[ X] =
(x1 ! )2 p1 + ( x2 ! )2 p2 +...+( xn ! )2 p n
EJEMPLO 3.1:
Calcular la media y la varianza del nmero de hijos varones de una familia con dos
hijos.
Solucin:
E={VV, VH, HV, HH}
X={0, 1, 2}= "nmero de hijos varones de una familia con dos hijos"
P1 = P(X = 0) = 1/ 4
!#
P 2 = P(X = 1) = 2 / 4 = 1 / 2 " 1 / 4 + 1 / 2 + 1/ 4 = 1
#$
P3 = P(X = 2) = 1/ 4
En promedio, una familia con dos hijos tiene un hijo varn con una varianza de
1/2.
148
EJEMPLO 3.2:
Tras una intervencin quirrgica de un tipo determinado, el equipo mdico
mantuvo en el hospital a unos pacientes cinco das y a otros ocho. De stos ltimos no
regres ninguno al hospital y el coste de cada uno ascendi a 90.000 pts., mientras que
de los dados de alta a los cinco das, las dos terceras partes no regresaron al hospital y el
coste por cada individuo fue de 50.000 pts. El otro tercio restante tuvo que regresar al
hospital ocasionando unos gastos totales por individuo de 150.000 pts.
En trminos puramente econmicos, es preferible dar de alta a los enfermos a los
cinco o a los ocho das?.
Solucin:
Se trata de calcular el coste promedio en ambos casos. En el supuesto de que los
pacientes estn ingresados 8 das, el coste promedio es de 90.000 pts., y en el supuesto
de que los pacientes estn 5 das, la variable aleatoria se distribuye de la siguiente
forma:
X
50.000
150.000
P(X)
2/3
1/3
2
1
E[X] = 50.000 + 150.000 = 83.330pts.
3
3
Puesto que 83.333 < 90.000, esto indica que es preferible, desde el punto de vista
econmico, tener ingresados a los pacientes cinco das.
La varianza la calculamos de la siguiente forma:
2
1
+ (150.000 ! 83.330)2 = 2, 2 109
3
3
149
150
- La clasificacin de las piezas fabricadas por una mquina, considerando xito las
piezas aceptables y fracaso las piezas defectuosas. En este caso p y q se asignan
haciendo un estudio de gran nmero de piezas.
1 PRUEBA
2 PRUEBA
p
p
p
q
p
p
q
q
p
RESUL.
PROB.
E EE
p3
EE F
p2q
E FE
p2q
EF F
pq 2
FEE
p2q
FEF
pq 2
F FE
pq 2
FF F
q3
q
p
3 PRUEBA
151
Construir el rbol puede ser una tarea larga y conviene buscar una frmula general
para un experimento binomial.
Convengamos en identificar todos aquellos resultados que tienen el mismo
nmero de xitos. Tras n pruebas nos encontraramos con:
EE...E !!" p n
EE...EF !!" np n#1q
EE...EFF!!" n(n # 1)pn#2 q2
.............................................
EF...F !!" npq n#1
FF... F !!" q n
Las distintas probabilidades son los sumandos del desarrollo del binomio (p+q)n,
por lo que:
! n$
P( X = r ) = # p r q n& r
"r%
Convenimos en designar al experimento binomial con n pruebas, siendo p la
probabilidad de xito, como B(n,p).
EJEMPLO 3.3:
Se lanza un dado 7 veces. Calcular la probabilidad de obtener 3 seises.
p = P(E) = 1/6 n=7
q = P(F) =5/6
K=3
Solucin:
X = "nmero de seises que aparecen al lanzar un dado 7 veces".
!# 7$ ! 1 $ 3! 5 $ 4
P(X = 3) =
= 0' 08
" 3% " 6 % " 6 %
152
EJEMPLO 3.4:
Calcular la probabilidad de obtener al menos una cara, al lanzar una moneda
cinco veces.
Solucin:
X = "nmero de caras que se obtienen al lanzar una moneda cinco veces"
P(x>1) = P(x=2)+P(x=3)+P(x=4)+P(x=5)
Utilizando el suceso contrario:
P(x>1) = 1-P(x1) = 1-(P(x=0)+P(x=1)) =
= 1 - 1/2 1/2 1/2 1/2 1/2 - 1/2 1/2 1/2 1/2 1/2
EJEMPLO 3.5:
Supongamos que en un departamento de control de calidad se examinan lotes de
cuatro artculos y se sabe que la probabilidad de que un artculo sea defectuoso es
P(D)=1/10 (por lo que la probabilidad de que sea aceptable es P(A)=1-P(D)=9/10).
Definimos la variable aleatoria de manera que a cada elemento del espacio
muestral, le asociamos el nmero de piezas defectuosas. x={0,1,2,3,4}. Calcular la
probabilidad asociada a cada valor de la variable.
Solucin:
Calculamos sus probabilidades:
9 4
P(x = 0) = ! # = 0, 6561
" 4$
P(x = 1) =
1 ! 9 # 3 !% 4#
= 0, 2961
10 " 10 $ " 1$
! 4$
Incluimos el nmero combinatorio #
" 1%
posibilidades.
DAAA, ADAA, AADA, AAAD
153
P(x = 2) =
2
2
! 1 # ! 9 # !% 4#
= 0, 0486
" 10 $ " 10 $ " 2$
! 1 3 9 !% 4#
P(x = 3) = " #$
= 0, 0036
10 10 " 3$
! 1 #4
P(x = 4) = " $ = 0, 0001
10
EJEMPLO 3.6:
Hallar las probabilidades del experimento binomial B(4,1/3).
Solucin:
!# 4$ ! 1$ 0 ! 2 $ 4
P(x = 0) =
= 0,1975
" 0% " 3% " 3 %
!4 1 1 2 3
P(x = 1) = # $ ! $ ! $ = 0, 3951
" 1% " 3% " 3 %
! 4$ ! 1 2 ! 2 2
P(x = 2) = # " $% " $% = 0, 2963
" 2% 3
3
! 4$ ! 1 3 2
P(x = 3) = # " $%
= 0, 0988
" 3% 3 3
! 4$ ! 1 4
P(x = 4) = # " $% = 0, 0123
" 4% 3
EJEMPLO 3.7:
En una empresa de fabricacin de automviles se ha observado que el 2%
presenta algn defecto. Calcular la probabilidad de que en una muestra aleatoria de 5
automviles se encuentren a lo sumo dos defectuosos.
Solucin:
La variable X = "nmero de automviles defectuosos", sigue una B(50,0'02).
P( X ! 2) = P(X = 0 ) + P( X = 1) + P(X = 2) =
"$ 50%
" 50
" 50
(0, 02) 0 (0, 98)50 + $ % (0, 02)(0, 98)49 + $ % (0, 02)2 (0, 98) 48
# 0&
#1&
#2&
154
...
10
r
0
1
2
0
1
2
3
...
0
1
...
10
0.01
0.05
...
0.50
...
...
...
...
! n$
! n $ n& r r
P( X = r ) = # p r q n& r = #
p q
"r%
" n & r%
Funcin de densidad de una variable aleatoria que siga una B(n,p) con n-r
xitos.
P(X=r) en una B(n,p) = P(X=n-r) en una B(n,q)
155
= E[ x] = x 0p 0 + x1p1 +...+x n pn =
!n
!n
!n
= 0# $ q n + 1# $ pqn &1 +...+n # $ p n = np
" 0%
" 1%
" n%
VARIANZA:
n
! 2 = V[ x] = # ( x " ) pi = npq
2
i=1
DESVIACIN TPICA:
! = npq
EJEMPLO 3.8:
Supongamos que tenemos cinco instrumentos y que sabemos que en promedio un
determinado instrumento est averiado uno de cada diez das. Cul es la probabilidad
de que en un da ms de tres instrumentos estn averiados?. Cul es el nmero
esperado de instrumentos averiados al da?.
Solucin:
Nuestra variable ser:
X = "nmero de instrumento averiados en un da"
Slo hay dos posibles sucesos:
E: Estar averiado
F: No estar averiado.
X ~ B(n=5, p=0'1)
La funcin de densidad ser:
156
!5
!5
P( x = r) = # $ p r q 5&r = # $ 0,1r 0, 95& r
" r%
" r%
P( x > 3) = P(x = 4 ) + P(x = 5) = 4
! 5$
! 5$
= # p 4q + # 0,150, 9 0 = 4, 6 10&4
" 4%
" 5%
E [x] = np = 5 0,1 = 0, 5
Se avera un instrumento cada dos das.
EJEMPLO 3.9:
La probabilidad de que un estudiante obtenga el ttulo de Licenciado en Biologa
es 0'3. Hallar la probabilidad de que de un grupo de 7 estudiantes matriculados en
primer curso:
a) Ninguno de los siete finalice la carrera.
b) La finalicen todos.
c) Al menos dos acaben la carrera.
Asimismo, hallar la media y la desviacin tpica del nmero de alumnos que
acaban la carrera.
Solucin:
Los sucesos son:
E(xito): acabar la carrera
P(E) = p = 0'3
n=7
Las pruebas son independientes, porque lo que ocurra con un alumno no tiene
nada que ver con lo que le ocurra a otro.
a)
! n$
P( X = r ) = # p r q n& r
"r%
157
! n$
! 7$
P(x = 0) = # p0 q n = # q 7 = 0, 77 = 0, 0824
" 0%
" 0%
b)
! 7$ 7 0
P(x = 7) = # 0, 3 q = 0, 0002 Imposible
" 7%
c)
Parmetros:
E [x] = np = 7 0, 3 = 2,1
V[x] = npq = 2, 1 0, 7 = 1, 47
! = 1, 47
EJEMPLO 3.10:
En recientes estudios realizados sobre pacientes portadores de SIDA, se ha
podido determinar que el 70% consume algn tipo de droga. En la sala de espera de
una consulta especializada en esta enfermedad se encuentran en un determinado
momento seis personas. Cul es la probabilidad de que ninguno haya consumido
droga?.
Solucin:
E: "No consumir droga"
P(E) = 0'3 = p
F: "Consumir droga"
P(F) = 0'7 = q
! 6$
P( x = 0 ) = # p 0q 6 = 0, 1176
" 0%
EJEMPLO 3.11:
Una poblacin de 20 animales insectvoros se introduce en una zona donde el
14% de los insectos que le sirven de alimento son venenosos. Cada animal devora al
da 5 insectos.
Calcular la probabilidad de que al cabo de una semana queden, como mnimo, la
mitad.
158
Solucin:
Suponiendo independencia se tiene:
P(no comer insecto venenoso) = 1-0'14 = 0'86
P(un animal no se envenene en un da) = P(comer 5 insectos no venenosos) =
= (0'86)5 = 0'47042
P(un animal no se envenene en 7 das) = (0,47042)7=0,005
P(un animal se envenene en 7 das) = 1-0'005 = 0'995
Sea X: "nmero de animales envenenados en una semana.
X ~ B(20,0'995)
10 " 20%
P( x ! 10) = ' $
0, 995 k0, 00510( k = 2, 08975 10 (18
#
k
&
k=0
tiempo determinado.
un perodo especfico.
El
159
E [x] = np = !
Varianza:
V[x] = ! = E[ x]
$ n'
$ n'
lim & pr q n )r = lim & lim p r lim q n )r
n !" % r (
n! "% r ( p!0
n! "
p!0
np !#
p! 0
!
n
160
n!
%$' r
%
$ n#r
lim 1 # '
=
n(
n!" r!(n # r)! & n ( n! "&
lim
%
$
1# '
&
n(
n(n # 1)...(n # r + 1) $ r
lim
r
r!
n!"
n r n!" %
$
1# '
&
n(
= lim
%
$'n
lim
1
#
$r
n(n # 1)...(n # r + 1) n!"&
n(
=
lim
r
r! n!"
n
%
$'r
lim 1 #
n(
n! "&
[1]
n n # 1 n # r +1
...
! 1
n
n
n!" n
lim
n
+
# .
%
' $
% $'n
1 * 0
)
lim 1 #
! lim - 1 + n
* 0
n(
n!" &
n!" )
-&
#$ ( 0
,
/
#$
! e #$
% $ r
lim 1 # ' !1
n(
n!" &
Sustituyendo en [1] tenemos:
!r " !
P(!) =
e
r!
EJEMPLO 3.12:
Un comprador de grandes cantidades de circuitos integrados ha adoptado un
plan para aceptar un envo de stos, que consiste en inspeccionar una muestra de 100
circuitos provenientes del lote. Si el comprador encuentra no ms de dos circuitos
defectuosos en la muestra, acepta el lote; de otra forma, lo rechaza. Si se enva al
comprador un lote que contiene el 1% de circuitos defectuosos, cul es la
probabilidad de que sea aceptado el lote?.
Solucin:
161
np=1
1!
2!
!6 6
5!
= 0,1606
EJEMPLO 3.14:
La probabilidad de que dos aminocidos determinados se combinen para formar
un dipptido es muy pequea y, en consecuencia, el nmero de dipptidos de una
162
b)
"0
= e !0,4
0!
#0
0, 41
1
0, 4
" e "0,4
= 1" 0,4 " 0,4
0!
1!
e
e
EJEMPLO 3.15:
El nmero medio de automviles que llega a una estacin de suministro de
gasolina es de 210 por hora. Si dicha estacin puede atender a un mximo de diez
automviles por minuto, determinar la probabilidad de que en un minuto dado, lleguen
a la estacin de suministro ms automviles de los que puedan atender.
Solucin:
La variable aleatoria X es el "nmero de automviles que llegan a la estacin de
servicio en un minuto ".
El suceso xito (1) consiste en que en un instante cualquiera llegue un automvil a
la estacin de suministro .
p es la probabilidad de xito y es suficientemente pequea, sin embargo , la
prueba puede repetirse un nmero suficientemente grande de veces.
163
!r "!
e
r!
210
= 3, 5
60
10
r=11
r=0
$ 3,50 #3,5
3,510 #3,5 '
=1#&
e
+...+
e
)( = 1 # 0, 9991 = 0, 0009
10!
% 0!
EJEMPLO 3.16:
El nmero de clientes que llega a un banco es una variable de Poisson. Si el
nmero promedio es de 120 por hora, cul es la probabilidad de que en un minuto
lleguen por lo menos tres clientes?.
Solucin:
X: "nmero de clientes que llega a un banco en un minuto".
E[x]=120 clientes por hora.
E[X] =
120
= 2=!
60
164
EJEMPLO 3.17:
Del volumen de produccin diario en dos plantas diferentes de una fbrica, se
sabe que la probabilidad de que resulten r unidades defectuosa es:
4r !4
- en la 1a planta:
para r = 0, 1, 2, ...
e
r!
6r
- en la 2a planta: e !6 para r = 0, 1, 2, ...
r!
Determinar la probabilidad de que, en un da determinado:
a) resulten cinco o ms unidades defectuosas en la 1a planta.
b) resulten cuatro o menos unidades defectuosas en la 2a planta.
c) resulten ocho o ms unidades defectuosas del total de la produccin de la
fbrica.
Solucin:
a) X1: "nmero de unidades defectuosas en la 1a planta". ! P(4)
P( X1 ! 5) = 1" P(X1 < 5) = 1 " [ P( x1 = 0 )+...+ P(x1 = 4)]
P( X1 ! 5) = 0, 3711
P( X2 ! 4 ) = P( x2 = 0)+...+P (x 2 = 4) = 0, 2851
c) X3: "nmero de unidades defectuosas del total de la produccin."
165
!# N$
casos posibles
"n%
De stos, cules sern favorables a nuestro suceso?. Aquellas que tengan r xitos
y N-r fracasos.
(r veces) (n! r veces )
EE
...#
E FF
...#
F
!
#"
$
!
#"
$
Np
Nq
!# Np$ !# Nq $
" r % " n & r%
Por consiguiente:
Media:
!# Np$ !# Nq $
" r % " n & r%
P( X = r ) =
; r = 0,1,2,..., n
!# N$
" n%
E [x] = np
166
Varianza:
Cuando
V[x] = npq
N !n
N !1
n
! 0, 05 , la distribucin hipergeomtrica se aproxima a la binomial.
N
EJEMPLO 3.18:
Un fabricante asegura que slo el 1% de su produccin total se encuentra
defectuosa. Supngase que se ordenan 1000 artculos y se seleccionan 25 al azar para
inspeccionarlos. Si el fabricante se encuentra en lo correcto, cul es la probabilidad
de observar dos o ms artculos defectuosos en la muestra?.
Solucin:
Tenemos una poblacin de tamao N=1000
X: "nmero de artculos defectuosos en la muestra".
P(xito)=0,0 l
Tamao de la muestra n=25
Si inspeccionamos uno de los 25, ese no lo volvemos a inspeccionar, luego no hay
reemplazamiento, la p de las distintas pruebas no se mantiene constante. Se trata de una
distribucin hipergeomtrica.
167
Puesto que
n
25
=
= 0, 025 < 0, 05
N 1000
P( x ! 2) = l " [ P( x = 0) + P( x = 1)] =
# 25&
# 25&
=1"%
0, 010 0, 9925 " %
0, 011 0, 9924 =
$0'
$1'
1 " 0, 7778 " 0,1964 = 0, 0258
EJEMPLO 3.19:
Supngase que se tienen 50 representantes de cierto estado, en una convencin
poltica nacional, de los cuales 30 apoyan al candidato A y 20 al candidato B.
Si se seleccionan aleatoriamente 5 representantes, cul es la probabilidad de
que, entre estos cinco, por lo menos dos apoyen al candidato A?.
Solucin:
X: "nmero de personas de la muestra que apoyan al candidato A.
N = 50!#
3
&
n = 5 "X % H' 50, 5, ()
5
3
p= #
5$
P( x ! 2) = l " P(x < 2) = 1 " [ P(x = 0) + P( x = 1)]
3 #
2 )
#
50 & 50 &
%
5( %
5( +
$ 0 '$ 5 ' +
P(X = 0) =
#% 50&
+
+
$ 5'
P( X ! 2) = 0, 9241
3& #
2& *
#
50
50
%
5( %
5( +
$ 1 '$ 4 ' +
P(X = 1) =
#% 50&
+
+,
$ 5'
No hay duda de que al menos dos apoyarn al candidato A. con una probabilidad
del 92%.
168
EJEMPLO 3.20:
En una clase en la que hay 20 estudiantes, 15 estn insatisfechos con el texto que
se utiliza. Si se le pregunta acerca del texto a cuatro estudiantes tomados al azar,
determine la probabilidad de que:
a) exactamente tres estn insatisfechos con el texto.
b) cuando menos tres estn insatisfechos.
Solucin:
Hay dos sucesos mutuamente excluyentes:
P(estar satisfechos) = 5/20 = 1/4
P(no estar satisfecho) = 15/20 = 3/4
Las pruebas son sin reemplazamiento, no tiene sentido volver a preguntar al
mismo estudiante que se le pregunt antes.
X: "nmero de alumnos que estn insatisfechos con el texto".
3
!
Es una H" 20;4, #$
4
a)
!# Np$ !# Nq $ !# 15$ !# 5$
" r % " n & r% " 3 % " 1%
P( X = 3) =
=
= 0, 469
!# N$
!# 20$
" n%
" 4%
b)
P( X ! 3) = P(x = 3) + P(x = 4 ) = 0, 75
EJEMPLO 3.21:
Un equipo departamental incluye cinco bilogos especialistas en microbiologa y
nueve mdicos. Si se eligen al azar cinco personas y se les asigna un proyecto, cul es
la probabilidad de que el equipo del proyecto incluya exactamente a dos bilogos?.
169
Solucin:
X: "nmero de bilogos incluidos en el proyecto".
P(bilogo) = 5/14
P(mdico) = 9/14
5
"
X ! H# 14;5, $%
14
!# 5$ !# 9$
" 2% " 3%
P( X = 2 ) =
= 0, 42
!# 14$
" 5%
EJEMPLO 3.22:
Considrese un fabricante de ordenadores que compra los microprocesadores a
una compaa donde se fabrican bajo estrictas especificaciones. El fabricante recibe un
lote de 40 microprocesadores. Su plan para aceptar el lote consiste en seleccionar 8, de
manera aleatoria y someterlos a prueba. Si encuentra que ninguno de los
microprocesadores presenta serios defectos, el fabricante acepta el lote; de otra forma
lo rechaza. Suponiendo que el lote contenga dos microprocesadores con serios
defectos, cul es la probabilidad de que sea aceptado?
Solucin:
X: "nmero de microprocesadores defectuosos en la muestra".
20
1
19
"
X ! H# 40;8, $% p =
q=
40
20
20
"& 2 $ "& 38$
# 0% # 8 %
P( X = 0) =
= 0, 6359
"& 40$
# 8%
Si la persona que vende sabe que le controlarn el producto, procurar que la
empresa efecte un control de calidad antes de iniciar las ventas. Aumentar la calidad
del producto.
170
EJEMPLO 3.23:
Una compaa dedicada a la produccin de artculos electrnicos, utiliza un esquema
para la aceptacin de artculos, para su ensamblaje, antes de ser embarcados, que
consiste en lo siguiente:
Los artculos estn embalados en cajas de 25 unidades y un tcnico de la compaa
selecciona aleatoriamente tres artculos, de tal manera que si no encuentra ningn
artculo defectuoso, la caja se embarca.
a) Cul es la probabilidad de que se embarque una caja que contiene tres artculos
defectuosos'?.
b) Cul es la probabilidad de que una caja que contiene slo un artculo defectuoso
regrese para su verificacin?.
Solucin:
X: "nmero de artculos defectuosos en la muestra".
a) Si la caja contiene tres artculos defectuosos, la distribucin es:
3
22
q=
25
25
!# Np$ !# Nq $ !# 3$ !# 22 $
" xi % " n & x i % " 0% " 3 & 0%
P( X = 0 ) =
=
= 0, 6696
!# N$
!# 25$
"n%
" 3%
N = 25
N1 = 3
N2 = 22
p=
171
EJEMPLO 3.24:
Supongamos que una compaa hace el estudio de la calidad conforme a otro
esquema.
Se toma un artculo, se inspecciona y se devuelve a la caja; lo mismo ocurre con
un 2 y un 3er artculo.
La caja no se embarca si cualquiera de los tres artculos es defectuoso.
Solucin:
! 3
a) B 3, #
" 25 $
! 1
b) B 3, #
" 25 $
! 3$ ! 3 0 ! 22 3
P( x = 0 ) = # " $% " $% = 0, 6815
" 0% 25
25
!# 3$ ! 1 $ 0 ! 24 $ 3
P( x = 0 ) =
= 0, 8847
" 0% " 25% " 25 %
EJEMPLO 3.25:
Considrese un fabricante de automviles que compra los motores a una
compaa donde se fabrican bajo estrictas especificaciones. El fabricante recibe un
lote de 40 motores. Su plan para aceptar el lote consiste en seleccionar 8, de manera
aleatoria, y someterlos a prueba. Si encuentra que ninguno de los motores presenta
serios defectos, el fabricante acepta el lote; contiene dos motores con serios defectos,
cul es la probabilidad de que sea aceptado?.
Solucin:
X: "nmero de motores defectuosos en la muestra".
172
2
1
!
H" 40;8, #$
40
20
!% 2# !% 38#
" 0$ " 8 $
P(X = 0) =
= 0, 6359
!% 40#
" 8$
N = 40
n=8
p=
173
"DISTRIBUCIONES DE PROBABILIDAD
CONTINUAS"
174
175
3.2.1.2 Definicin
De modo riguroso, se dice que una variable aleatoria sigue una distribucin
normal de media , y desviacin tpica , y se designar por N(, ), si se cumplen las
siguientes condiciones:
La variable recorre toda la recta real, y la funcin de densidad es de la forma:
f(x) =
1
# 1 ( x# ) 2
e 2 !
! 2"
0
Figura 3.3: Representacin grfica da la campana de Gauss
conocida como campana de Gauss, y con las siguientes propiedades:
176
# ( +c #2)
#c2
1
1
f( + c) =
e 2!
=
e 2!
! 2"
! 2"
#
1
f( # c) =
e
! 2"
( #c # ) 2
2!2
2
# c2
1
2!
=
e
! 2"
(x# ) 2
2! 2
#
1
$ 1
'
&% # 2! 2 (x # ))( = # ! 3 2" e
(x# ) 2
2! 2
(x # )
f'' (x) = ! 3
e
" 2#
! (x!)2
2"
2
$
1
' $ 2(x ! ) ! (x!2")2 '
+ &! 3
(x ! ) ) & !
e
)=
% " 2#
(%
2" 2
(
=! 3
e
" 2#
! (x !)2
2"
$ (x ! )2 '
&%1 ! "2 )(
1
1
f'' () = ! 3
e 0 (1 ! 0) = ! 3
<0
" 2#
" 2#
luego en x = la funcin de densidad presenta un mximo de valor
f() =
1
! 2"
177
3.- El rea del recinto encerrado bajo la campana y el eje x es igual a la unidad.
Por tratarse de una funcin de densidad. Y al ser simtrica, deja igual rea, 0,5, a
la izquierda y a la derecha de la recta x = . Esto se verifica porque:
+"
+"
!
1
f(x) =
e
!"
!" $ 2%
(x !) 2
2$ 2
dx =
x!
= y , entonces dx = dy, y por lo tanto
"
2
+$ # y2
1
1
1
# y2
=
e !dy =
e 2 dy =
2" = 1
2" #$
2"
#$ ! 2"
+$
+" ! y 2
2
#!"
dy = 2
+" ! y 2
2
#0
2! , ya que:
dy = 2I1
(x " )2
x"
= 0!
= 1 ! x = #
2
#
#
y en el punto x = -
( +! # )2
2! 2
# !2
1
1
1
#1
=
e 2! =
e 2=
! 2"
! 2"
! 2"e
178
!
1
f( ! ") =
e
" 2#
( !" ! )2
2" 2
! "2
1
1
1
!1
=
e 2" =
e 2=
" 2#
" 2#
" 2#e
(x% ) 2
2# 2
=0
En la figura 3.4 puede observarse que para fijo, el variar tiene el efecto de
desplazar la curva hacia la derecha o la izquierda; manteniendo constante, el cambio
de tiene por efecto acercar o alargar del valor medio los puntos de inflexin, es
decir, un apuntamiento o aplastamiento de la curva (ver figura 3.5).
-a
+a
179
1 " x22
e
2!
x #("$, +$)
F( x) = P( ! " x) = 1
2#
&
e$
$%
x2
dx
180
1,2
1
,8
,6
1
2!
,4
,2
0
-,2
-4
-3
-2
-1
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
0.00
0.5000
0.5398
0.5793
0.6179
0.6554
0.6915
0.7257
0.7580
0.7881
0.8159
0.8413
0.8643
0.8849
0.9032
0.9192
0.9332
0.9452
0.9554
0.9641
0.9713
0.9772
0.9821
0.9861
0.9893
0.9918
0.9938
0.9953
0.9965
0.9974
0.9981
0.01
0.5040
0.5438
0.5832
0.6217
0.6591
0.6950
0.7291
0.7611
0.7910
0.8186
0.8438
0.8655
0.8869
0.9049
0.9207
0.9345
0.9463
0.9564
0.9649
0.9719
0.9778
0.9826
0.9864
0.9896
0.9920
0.9940
0.9955
0.9966
0.9975
0.9982
0.02
0.5080
0.5478
0.5871
0.6255
0.6628
0.6985
0.7324
0.7642
0.7939
0.8212
0.8461
0.8686
0.8888
0.9066
0.9222
0.9357
0.9474
0.9573
0.9656
0.9726
0.9783
0.9830
0.9868
0.9898
0.9922
0.9941
0.9956
0.9967
0.9976
0.9982
0.03
0.5120
0.5517
0.5910
0.6293
0.6664
0.7019
0.7357
0.7673
0.7967
0.8238
0.8485
0.8708
0.8907
0.9082
0.9236
0.9370
0.9484
0.9582
0.9664
0.9732
0.9788
0.9834
0.9871
0.9901
0.9925
0.9943
0.9957
0.9968
0.9977
0.9983
0.04
0.5160
0.5557
0.5948
0.6331
0.6700
0.7054
0.7389
0.7704
0.7995
0.8264
0.8508
0.8729
0.8925
0.9099
0.9251
0.9382
0.9495
0.9591
0.9671
0.9738
0.9793
0.9838
0.9875
0.9904
0.9927
0.9945
0.9959
0.9969
0.9977
0.9984
0.05
0.5199
0.5596
0.5987
0.6368
0.6736
0.7088
0.7422
0.7734
0.8023
0.8289
0.8531
0.8749
0.8944
0.9115
0.9265
0.9394
0.9505
0.9599
0.9678
0.9744
0.9798
0.9842
0.9878
0.9906
0.9929
0.9946
0.9960
0.9970
0.9978
0.9984
0.06
0.5239
0.5636
0.6026
0.6406
0.6772
0.7123
0.7454
0.7764
0.8051
0.8315
0.8554
0.8870
0.8962
0.9131
0.9279
0.9406
0.9515
0.9608
0.9686
0.9750
0.9803
0.9846
0.9881
0.9909
0.9931
0.9948
0.9961
0.9971
0.9979
0.9985
0.07
0.5279
0.5675
0.6064
0.6443
0.6808
0.7157
0.7486
0.7794
0.8078
0.8340
0.8577
0.8790
0.8980
0.9147
0.9292
0.9418
0.9525
0.9616
0.9693
0.9756
0.9808
0.9850
0.9884
0.9911
0.9932
0.9949
0.9962
0.9972
0.9979
0.9985
0.08
0.5319
0.5714
0.6103
0.6480
0.6844
0.7190
0.7517
0.7823
0.8106
0.8365
0.8599
0.8810
0.8997
0.9162
0.9306
0.9429
0.9535
0.9625
0.9699
0.9761
0.9812
0.9854
0.9887
0.9913
0.9934
0.9951
0.9963
0.9973
0.9980
0.9986
0.09
0.5359
0.5753
0.6141
0.6517
0.6879
0.7224
0.7549
0.7852
0.8133
0.8389
0.8621
0.8830
0.9015
0.9177
0.9319
0.9441
0.9545
0.9633
0.9706
0.9767
0.9817
0.9857
0.9890
0.9916
0.9936
0.9952
0.9964
0.9974
0.9981
0.9986
181
Es decir:
P(Z 1.37) = 0.9147
que quiere decir que el 91.47% de las observaciones se encuentran distribuidas entre -
y 1.37.
182
-a
183
Z=
X!
"
184
Valores de X
-2!
-!
+!
+2!
Valores de Z
-2
-1
N( 1 2 , ! 12 + ! 22 )
TEOREMA DE DE MOIVRE
Si X es una variable binomial de parmetros n y p; entonces si n es grande y p, ni
pequeo ni grande, (o sea, ni p ni q prximos a cero) podemos considerar que esa
variable X sigue una ley normal de media np y varianza npq, y por lo tanto, la variable
Z=
X ! np
npq
185
186
1
x
n
$
e " 2 x 2 "1 si
n
f(x) = % 2 2 !(n 2)
0
si
&
x# 0*
x<0
#
n "1 "x
e dx
(n) es la funcin gamma, que denota la siguiente integral: !( n ) = $ x
0
187
188
(n ! 1)s2
"
es aproximadamente 2n-1
2
siendo s la cuasivarianza muestral.
189
g.l \
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
0.9950
0.0000393
0.0100
0.0717
0.207
0.412
0.676
0.989
1.344
1.735
2.156
2.603
3.074
3.565
4.075
4.601
5.142
5.697
6.265
6.844
7.434
8.034
8.643
9.260
9.886
10.520
11.160
11.808
12.461
13.121
13.787
0.9750
0.000982
0.0506
0.216
0.484
0.831
1.237
1.690
2.180
2.700
3.247
3.816
4.404
5.009
5.629
6.262
6.908
7.564
8.231
8.907
9.591
10.283
10.982
11.689
12.401
13.120
13.844
14.573
15.308
16.047
16.791
0.950
0.00393
0.103
0.352
0.711
1.]45
1.635
2.167
2.733
3.325
3.940
4.575
5.226
5.897
6.571
7.261
7.962
8.672
9.390
10.117
10.851
11.591
12.338
13.091
13.848
14.611
15.379
16.151
16.928
17.708
18.493
0.900
0.0158
0.211
0.584
1.064
1.610
2.204
2.833
3.490
4.168
4.865
5.578
6.304
7.047
7.790
8.547
9.312
10.085
10.865
11.651
12.443
13.240
14.041
14.848
15.659
16.473
17.292
18.114
18.939
19.769
20.599
0.200
1.642
3.219
4.642
5.989
7.289
8.558
9.803
11.030
17.242
13.442
14.631
15.812
16.985
18.151
19.311
20.465
21.615
22.760
23.900
25.038
26.171
27.301
28.429
29.553
30.675
31.795
32.912
34.027
35.139
36.250
0.10
2.706
4.605
6.251
7.779
9.236
10.645
17.017
13.362
14.684
15.987
17.275
18.549
19.812
21.064
22.307
23.452
24.769
25.989
27.204
28.412
29.615
30.813
32.007
33.196
34.382
35.563
36.741
37.916
39.087
40.256
0.050
3.841
5.g91
7.851
9.488
11.070
17.592
14.067
15.507
16.919
18.307
19.675
21.026
22.362
23.685
24.996
26.296
27.587
28.869
30.144
31.410
32.671
33.924
35.172
36.415
37.652
38.885
40.113
41.337
42.557
43.773
0.025
5.024
2.378
9.348
11.143
12.833
14.449
16.013
17.535
19.023
20.483
21.920
23.337
24.736
26.119
27.488
28.845
30.191
31.526
32.857
34.170
35.479
36.781
38.076
39.364
40.646
41.923
43.195
44.461
45.722
46.979
0.010
6.631
9.210
11.345
13.277
15.086
16.812
18.475
20.090
21.666
23.209
24.725
26.217
27.588
29.141
30.578
32.000
33.409
34.805
36.191
37.566
38.932
40.289
41.638
42.980
44.314
45.642
46.963
48.278
49.588
50.892
EJEMPLO 3.26:
Si X sigue una distribucin Chi-cuadrado con 12 grados de libertad.
Cul es el valor de la variable que deja a su derecha un rea de 0.05?
Solucin:
Buscando en la tabla: 21.026
0.001
10.828
13.816
16.266
18.467
20.515
22.458
74.327
26.124
77.877
29.588
31.264
32.909
34.528
36.173
37.697
39.752
40.790
42.312
43.820
45.315
46.797
48.268
49.728
51.179
57.620
54.052
55.476
56.892
58.301
59.703
190
(x ! )
s n
como una variable normal.
En su definicin matemtica, sean (, 1, 2, ....., n) n+1 variables aleatorias
normales N(0,1) e independientes
tn =
!
!12 + !22 +!+!2n
n
Tambin puede definirse a travs de una variable Z normal estndar N(0,1), y una
variable 2 que siga una distribucin Chi-cuadrado con n grados de libertad; se define
entonces la variable "t" de STUDENT con n grados de libertad como
tn =
Z
! 2n
n
n+1
2
191
Distr. Normal
Distr. t de Student
0
Figura 3.10: Funcin de densidad de la distribucin normal y de la "t".
192
0.50
0.40
0.30
0.20
0.10
0.05
0.02
0.01
0.001
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
35
40
45
50
60
80
100
1.000
0.816
0.765
0.741
1.727
0.718
0.711
0.706
0.703
0.700
0.697
0.695
0.694
0.692
0.691
0.690
0.689
0.688
0.688
0.687
0.686
0.686
0.685
0.685
0.684
0.684
0.684
0.683
0.683
0.683
0.682
0.681
0.680
0.679
0.679
0.678
0.677
0.674
1.376
1.061
0.978
0.941
0.920
0.906
0.896
0.889
0.883
0.879
0.876
0.873
0.870
0.868
0.866
0.865
0.863
0.862
0.861
0.860
0.859
0.858
0.858
0.857
0.856
0.856
0.855
0.855
0.854
0.854
0.852
0.851
0.850
0.849
0.848
0.846
0.845
0.842
1.963
1.386
1.250
1.190
1.156
1.134
1.119
1.108
1.100
1.093
1.088
1.083
1.07~
1.076
1.074
1.071
1.069
1.067
1.066
1.064
1.063
1.061
1.060
1.059
1.058
1.058
1.057
1.056
1.055
1.055
1.052
1.050
1.049
1.047
1.046
1.043
1.042
1.036
3.078
1.886
1.638
1.533
1.476
1.440
1.415
1.397
1.383
1.372
1.363
1.356
1.350
1.345
1.341
1.337
1.333
1.330
1.328
1.325
1.323
1.321
1.319
1.318
1.316
1.315
1.314
1.313
1.311
1.310
1.306
1.303
1.301
1.299
1.296
1.292
1.290
1.282
6.314
2.920
2.353
2.132
2.015
1.943
1.895
1.860
1.833
1.812
1.796
1.782
1.771
1.761
1.753
1.746
1.740
1.734
1.729
1.725
1.721
1.717
1.714
1.711
1.708
1.706
1.703
1.701
1.699
1.697
1.690
1.684
1.679
1.676
1.671
1.664
1.660
1.645
12.706
4.303
3.182
2.776
2.571
2.447
2.365
2.306
2.262
2.228
2.201
2.179
2.160
2.145
2.131
2.120
2.110
2.101
2.093
2.086
2.080
2.074
2.069
2.064
2.060
2.056
2.052
2.048
2.045
2.042
2.030
2.021
2.014
2.009
2.000
1.990
1.984
1.960
31.821
6.965
4.541
3.747
3.365
3.143
2.998
2.896
2.821
2.764
2.718
2.681
2.650
2.624
2.602
2.583
2.567
2.552
2.539
2.528
2.518
2.508
2.500
2.492
2.485
2.479
2.473
2.467
2.462
2.457
2.438
2.423
2.412
2.403
2.390
2.374
2.364
2.326
63.657
9.925
5.841
4.604
4.032
3.707
3.499
3.355
3.250
3.169
3.106
3.055
3.012
2.977
2.947
2.921
2.898
2.878
2.861
2.845
2.831
2.819
2.807
2.797
2.787
2.779
2.771
2.763
2.756
2.750
2.724
2.705
2.690
2.678
2.660
2.639
2.626
2.576
636.619
31.598
12.929
8.610
6.869
5.959
5.408
5.041
4.781
4.587
4.437
4.318
4.221
4.140
4.073
4.015
3.965
3.922
3.883
3.850
3.819
3.792
3.767
3.745
3.725
3.707
3.690
3.674
3.659
3.646
3.592
3.551
3.521
3.497
3.461
3.417
3.391
3.291
en ellas aparece el valor de la variable que para los grados de libertad indicados en la
primera columna, deja un rea en las dos colas de valor indicado en la primera fila.
EJEMPLO 3.27:
Si X es una distribucin que sigue una distribucin "t" con 10 grados de
libertad, calcular el valor de la variable, tal que a la izquierda de -2.228 y a la
derecha de 2.228 deja un rea total de 0.05.
193
Solucin:
194
3.2.4
Distribucin "F" de FisherSnedecor
3.2.4.1 Definicin
Supongamos que X e Y sean dos variables aleatorias independientes, que siguen
distribuciones Chi-cuadrado con n y m grados de libertad respectivamente, y tales que
n
X=
X 2i
i=1
Y=
! Yj2
j=1
195
s2
4.- El cociente 1 2 sigue una distribucin con n1-1 y n2-1 grados de
s2
libertad, siendo s12 y s22 las cuasivarianza muestrales de dos muestras de
tamaos n1 y n2 respectivamente, provenientes de dos poblaciones normales
N(1, 1) y N(2, 2) respectivamente.
(n1 ! 1)s12
"2
(n 2 ! 1)s22
"2
sigue una distribucin Chi-cuadrado con n2-1 grados de libertad. Entonces,
el cociente
( n1 ! 1)s12
(n1 ! 1)" 2
( n2 ! 1)s22
(n 2 ! 1)" 2
sigue una distribucin F de Snedecor con n1-1 y n2-1 grados de libertad, y si
las varianzas poblacionales son iguales, se verifica entonces el resultado
indicado.
196
10
20
30
40
60
120
161.4
18.51
10.13
7.71
6.61
S~99
5.59
5.32
5.12
4.96
4.84
4.75
4.67
4.60
4.54
4.49
4.45
4.41
4.38
4.35
4.32
4.30
4.28
4.26
4.24
4.23
4.21
4.20
4.18
4.17
4.08
4.00
3.92
3.84
199.5
19.00
9.55
6.94
5~79
5.14
4.74
4.46
4.26
4.10
3.98
3.89
3.81
3.74
3.68
3.63
3.59
3.55
3.52
3.49
3.47
3.44
3.42
3.40
3.39
3.37
3.35
3.34
3.33
3.32
3.23
3.15
3.07
3.00
215.7
19.16
9.28
6.59
5.41
4.76
4.35
4.07
3.86
3.71
3.59
3.49
3.41
3.34
3.29
3.24
3.20
3.16
3.13
3.10
3.07
3.05
3.03
3.01
2.99
2.98
2.96
2.95
2.93
2.92
2.84
2.76
2.68
2.60
224.6
19.25
9.12
6.39
5.19
4~53
4.12
3.84
3.63
3.48
3.36
3.26
3.18
3.11
3.06
3.01
2.96
2.93
2.90
2.87
2.84
2.82
2.80
2.78
2.76
2.74
2.73
2.71
2.70
2.69
2.61
2.53
2.45
2.37
230.2
19.30
9.01
6.26
5.05
4.39
3.97
3.69
3.48
3.33
3.20
3.11
3.03
2.96
2.90
2.85
2.81
2.77
2.74
2.71
2.68
2.66
2.64
2.62
2.60
2.59
2.57
2.56
2.55
2.53
2.45
2.37
2.29
2.21
234.0
19.33
8.94
6.16
4.95
4.28
3.87
3.58
3.37
3.22
3.09
3.00
2.92
2.85
2.79
2.74
2.70
2.66
2.63
2.60
2.57
2.55
2.53
2.51
2.49
2.47
2.46
2.45
2.43
2.42
2.34
2.25
2.18
2.10
236.8
19.35
6.89
6.09
4.88
4.21
3.79
3.50
3.29
3.14
3.01
2.91
2.83
2.76
2.71
2.66
2.61
2.58
2.54
2.51
2.49
2.46
2.44
2.42
2.40
2.39
2.37
2.36
2.35
2.33
2.25
2.17
2.09
2.01
238.9
19.37
8.85
6.04
4.82.
4.15
3.73
3.44
3.23
3.07
2.95
2.85
2.77
2.70
2.64
2.59
2.55
2.51
2.48
2.45
2.42
2.40
2.37
2.36
2.34
2.32
2.31
2.29
2.28
2.27
2.18
2.10
2.02
1.94
240.5
19.38
8.81
6.00
4.77
4.10
3.68
3.39
3.18
3.02
2.90
2.80
2.71
2.65
2.59
2.54
2.49
2.46
2.42
2.39
2.37
2.34
2.32
2.30
2.28
2.27
2.25
2.24
2.22
2.21
2.12
2.04
1.96
1.88
241.9
19.40
8.79
5.97
4.73
4.06
3.64
3.35
3.14
2.98
2.85
2.75
2.67
2.60
2.54
2.49
2.45
2.41
2.38
2.35
2.32
2.30
2.27
2.25
2.24
2.22
2.20
2.19
2.18
2.16
2.08
1.99
1.91
1.83
248.0
19.45
8.66
5.80
4.56
3.87
3.44
3.15
2.94
2.77
2.65
2.54
2.46
2.39
2.33
2.28
2.23
2.19
2.16
2.12
2.10
2.07
2.05
2.03
2.01
1.99
1.97
1.96
1.94
1.93
1.84
1.75
1.66
1.57
250.1
19.46
8.62
5.74
4.50
3.81
3.38
3.08
2.86
2.70
2.57
2.47
2.38
2.31
2.25
2.19
2.15
2.11
2.07
2.04
2.01
1.98
1.96
1.94
1.92
1.90
1.88
1.87
1.85
1.84
1.74
1.65
1.55
1.46
251.1
19.47
8.59
5.72
4.46
3.77
3.34
3.04
2.83
2.66
2.53
2.43
2.34
2.27
2.20
2.15
2.10
2.06
2.03
1.99
1.96
1.94
1.91
1.89
1.87
1.85
1.84
1.82
1.81
1.79
1.69
1.59
1.50
1.39
252.2
19.48
8.57
5.69
4.43
3.74
3.31
3.00
2.79
2.62
2.49
2.38
2.30
2.22
2.16
2.11
2.06
2.02
1.98
1.95
1.92
1.89
1.86
1.84
1.82
1.80
1.79
1.77
1.75
1.74
1.64
1.53
1.43
1.32
253.3
19.49
8.55
5.66
4.40
3.70
3.27
2.97
2.75
2.58
2.45
2.34
2.25
2.18
2.11
2.06
2.01
1.97
1.93
1.90
1.87
1.84
1.81
1.79
1.77
1.75
1.73
1.71
1.70
1.68
1.58
1.47
1.35
1.22
254.3
19.50
8.53
5.63
4.36
3.67
3.23
2.93
2.71
2.54
2.40
2.30
2.21
2.13
2.07
2.01
1.96
1.92
1.88
1.84
1.81
1.78
1.76
1.73
1.71
1.69
1.67
1.65
1.64
1.62
1.51
1.39
1.25
1.00
EJEMPLO 3.28:
Calcular F para =0.05, y n=5; m=15 grados de libertad.
Solucin:
Se busca en la tabla correspondiente al nivel del 5%, en la primera fila, los
grados de libertad del numerador (5), y en la primera columna los grados de libertad
del denominador (15), apareciendo el valor de F en la confluencia de dicha fila y
columna:
197
EJEMPLO 3.29:
Calcular F para =0.95, y n=15; m=5 grados de libertad.
Solucin:
Teniendo en cuenta la siguiente propiedad
F !;n,m =
1
F1"!;m,n
se verifica que
F0.95;15,5 =
1
F1!0.95;5,15
1
F0.05;5,15
1
= 0.345
2.90
198
"DISTRIBUCIN NORMAL"
3.3 Ampliacin
199
PRIMER CASO
Supondremos como primer caso, el ms trivial: calcular la probabilidad de que la
variable aleatoria Z, que sigue una distribucin normal estndar, sea menor o igual que
un valor positivo a.
Basta con buscar en la tabla directamente el valor de a, teniendo en cuenta que en
la primera columna de la tabla aparecen las unidades y las dcimas del valor a y en la
primera fila el valor de las centsimas.
Como interseccin de la fila y la columna correspondiente aparece el valor
P( Z ! a )
200
Figura 3.12: Representacin grfica de la informacin que nos suministra de manera directa
la tabla de la normal con la que vamos a trabajar: P ( Z ! a )
N(0,1)
calcular
P( Z ! "a ) .
P (Z ! " a )
P (Z ! a )
201
P( Z ! "a ) = 1 " P( Z ! a )
EJEMPLO 3.30:
Calcular P(Z-2)
Solucin:
N(,!) ,
calcular
P( Z ! a )
Como tercer caso consideraremos la misma situacin que en el caso primero pero
suponiendo ahora, que la variable aleatoria sigue una distribucin normal no estndar,
de parmetros , .
a " &
$ x " a " &
$
P( X ! a ) = P%
!
= P% z !
'
#
#
# '
encontrndonos, una vez efectuado el cambio, en la misma situacin del primer caso.
EJEMPLO 3.31:
Calcular en una N(2,3) la P(X 2.14):
Solucin:
202
N(,!) ,
obtener
P( Z ! "a ) .
Se trata, lo mismo que en el caso anterior de dar solucin a uno de los supuestos
ya vistos, en concreto al supuesto segundo, pero considerando ahora que trabajamos con
una normal no estndar.
Lo primero que tenemos que hacer es tipificar ya que si no, la igualdad anterior no
se verifica, por tanto:
a " &
a " &
$ x " "a " &
$
$
P( X ! "a ) = P%
!
=
P
z
!
"
=
1"
P
z
<
%
%
#
# '
# '
# '
EJEMPLO 3.32:
En una N(5,3) calcular P( X ! "8)
Solucin:
13
13
# x " 5 "8 " 5%
#
#
P( X ! "8) = P$
!
= P$ z ! " %& = 1 " P$ z < %& =
&
3
3
3
3
N (0,1)
calcular
P( Z ! a )
203
N(,!)
Obtener
P( X ! a ) :
a"&
$ x " a " &
$
P( X ! a ) = P%
!
=
1"
P
z
<
%
#
# '
# '
b " &
a " &
$a " x " b " &
$
$
P(a ! X ! b) = P%
!
!
=
P
z
!
"
P
z
<
%
%
#
#
# '
# '
# '
204
EJEMPLO 3.33:
En una N(0,1) calcular P(1! X ! 1.85)
Solucin:
P(1! X ! 1.85) = P(X ! 1.85) " P( X < 1) = 0.9678 " 0.8413 = 0.1265
calcular
P( Z ! "b) " P(Z < "a ) = 1" P( Z < b) " [1 " P(Z ! a )] =
= 1 " P (Z < b ) " 1 + P (Z ! a ) = P ( Z ! a ) " P (Z < b )
EJEMPLO 3.34:
En una N(0,1) calcular P( !2.3 " Z " !1.8)
Solucin:
P( !2.3 " Z " !1.8) = P(Z " !1.8) ! P(Z < !2.3) =
= 1! P( Z < 1.8) ! 1 + P( Z " 2.3) = P( Z " 2.3) ! P( Z < 1.8) =
= 0.9893 ! 0.9641 = 0.0252
205
EJEMPLO 3.35:
Cul es el valor de a para el que P( Z ! a ) = 0.9251 ?
Solucin:
Buscamos dentro de la tabla el valor 0.9251 y vemos que el correspondiente valor
de a es 1.44.
b) La variable aleatoria sigue una normal de parmetros N(,!)
En este caso, hemos de tipificar previamente; es decir, expresar a en la escala
correspondiente a una N(0,1)
EJEMPLO 3.36:
Obtener el valor de a que verifica que P( X ! a ) = 0.8413 en una distribucin
N(5,3)
206
Solucin:
a " 5%
#
P( X ! a ) = P$ Z !
= 0.8413
3 &
Buscando esa probabilidad en las tablas obtenemos el valor 1.0; es decir:
a!5
= 1" a = 3 + 5 = 8
3
207
"DISTRIBUCIN NORMAL"
208
209
0
6.5
7.5
8.5
9.5
10
M=?
Figura 3.17. Representacin grfica de la distribucin del dimetro de los hemates
en individuos sanos y en individuos cirrticos. M ser el punto de corte a partir del cual
el individuo ser clasificado en una o en otra categora.
210
! .
211
" = 0.1314
! = 0.05(fijado)
CIRROTICOS N(8.5; 0.6)
0
6.5
7.5
8.5
9.5
10
M = 7.8 29
Figura 3.18: Representacin grfica de la distribucin del dimetro de hemates en las dos poblaciones.
Prefijado queda delimitado el valor de M y el valor de
Veamos como esta afirmacin es cierta. Realizar este clculo es idntico al caso
anterior slo que ahora la regla de decisin es distinta:
212