CAPITULO 6 Densidades de probabilidad especiales 6.1 INTRODUCCION 6.2 LA DISTRIBUCION UNIFORME 6.3 LAS DISTRIBUCIONES GAMMA, EXPONENCIAL Y J! CUADRADA 6.4 LA DISTRIBUCION BETA 6.5 LA DISTRIBUCION NORMAL 6.6 LA APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL 6.7 LA DISTRIBUCION NORMAL BIVARIADA 6.1 INTRODUCCION En este capitulo estudiaremos algunas de las densidades de probabilidad que figuran de manera muy prominente en la teorfa estadistica y en las aplicaciones, Ademis de las ratadas en el texto, se introducen otras mas en los cjercicios posteriores a la seccién 64, y tres de las densidades de probabilidad que son de importancia bésica en Ia teoria de muestreo se abordarén en el capitulo 8, Como en el capitulo 5, derivaremos parime- tros y funciones generatrices de momentos, dejando, una vez més, algunos detalles como ejercicios. 6.2 LA DISTRIBUCION UNIFORME Las densidades de probabilidad de los ejemplos 3.8 y 3.11 son casos especiales de la distribucién uniforme; en la figura 3.7 se muestra Ia gréfica de la del ejemplo 3.11. En general DEFINICION 6.1 Una variable aleatoria tiene una distribucién uniforme y se conoce como una variable aleatoria uniforme continua si y sélo si su densidad de | | Probabilidad esta dada porCapitulo 6: Densidades de probabilidad especiales Los pardmetros ay B de esta densidad de probabilidad son constantes reales, con a < B.y se puede visualizar en la figura 6.1. En el ejercicio 6.2 se pediré al lector que verifique que ‘reorema 6.1 La media y la varianza de la distribucién uniforme estén dadas por a+B 1 : cae pe - 4 Aunque la distribucién uniforme tiene algunas aplicaciones directas, una de las cuales se examinard en el ejemplo 7.8, su valor principal es que, a causa de su simpli- cidad, se presta répidamente a la tarea de ilustrar diversos aspectos de la teoria estadis- tica u(x; 4, 8) | | r | | | | | | Figura 6.1 La distibuci6n uniforme. 6.3 LAS DISTRIBUCIONES GAMMA, EXPONENCIAL Y JI CUADRADA de probabilidad de la forma fixte® — parax > 0 to alquier otraSecci6n 6.3: Las distribuciones gamma, exponencial y ji cuadrada 29g donde a > OfieOy-k debe ser tal que el rea total bajo fa curva sea evaluar k, primero hacemos ta substitucién y = * Ig cual nos B - ke La integral asf obtenida depende s6lo de a y define le bien conocida fumeién gamma T(a) [wee Paraa > 0 que se trata en detalle en muchos de los textos de cdleulo avanzado. A} integrar por artes, Io que se deja al lector en el ejercicio 6:7, encontramos que la funcidn eanoa satisface la férmula recursiva Pa) = (a -1)-Tla = PS osipions ria) [ew 1 se sigue por la aplicaci6n repetida de ta férmula recursiva que F(a donde @ €s un entero positive. También, un valor especial importante es T(4 , como se le pediré al lector que verifique en el ejercicio 6.9. Regresamos ahora al problema de evaluar K, igualamos la integral obtenida s y obtenemos ii kat1618 dx = kB"T (a) Y por tanto 1 Tia) Esto nos lleva a la siguiente definicién de la distribucién gamma. DEFINICION 6.2. Una variable aleatori noce como una variable aleatoria gam esti dada por g(xia, 8) = { B'T(a)* donde a > Oy 8 > 0.206 Capitulo 6: Densidades de probabilidad especiales Cuando @ no es un entero positivo, el valor de F(a) deberé buscarse en una tabla especial. Para dar al lector una idea sobre la forma de las graficas de las densidades gamma, en la figura 62 se muestran algunas para varios valores especiales de ay B. Figura 6.2 Graficas de distribuciones gamma, Algunos casos especiales de la distribucién gamma juegan papeles importantes en la estadistica, para a = 1 y B = @, obtenemos DEFINICION 6.3 Una variable aleatoria X tiene una distribucién exponencial y se conoce como una variable aleatoria exponencial si y sélo si su densidad de pro- babilidad esté dada por parax > 0 en cualquier otra parte donde @ > 0, i g(x:6) | La densidad se visualiza en la figura 6.3 Para demostrar céme puede surgit en Ja préctica una distribucin exponencial, vayamos a la situacion descrita en el ejercicio 5.48, donde nos interesa ia probabilidad de obtener x éxitos durante un intervalo de tiempo de longitud 1 cuando (i) la proba- bilidad de un éxito durante un intervalo de tiempo muy pequeno de tar + Aresa- Ar, Gi) la probabilidad de més de un éxito durante un intervalo de tiempo tal es insignifi- cante. y (itl) la probabilidad de un éxito durante un intervalo de tiempo tal no depende de Io que haya pasado antes cel tiempo 1. En ese ejercicio, demostramos que el niime To de Exitos es un valor de Ja variable aleatoria discreta X que tiene la distribucién de Poisson con A = af. Ahora determinemos fa densidad de probabilidad de la variable aleatoria continua ¥. el tiempo de espera hasta el primer éxito, ClaramenteSecciGn 6.3: Las distribuciones gamma, exponencial y ji cuadrada 267 Figura 6.3 Distribucién exponencial FQ) = F(¥ Sy) =1— poy y) 1 ~ P(0 éxitos en el intervalo de tiempo de longitud y) 1 = p(O;ay) Bley) y OF —e" — paray >0 y Fy) = 0 para y S 0. Una vez que hemos encontrado asf la funcién de distribucin de Y, encontramos que Ja diferenciacién con respecto a y nos da “ paray > 0 en cualquier otra parte fy) = te 5 x4 1 que es la distribucién exponencial con @ =~ La distribucién exponencial se aplica no s6lo a la ocurrencia del primer éxito en un proceso de Poisson, que es como Hlamamos a una situacién como la descrita en el ejercicio 5.48, pero en virtud de la condicién (iil) (véase el ejercicio 6.16), se aplica tam- bign a los tiempos de espera entre éxitos. EJEMPLO 6.7 una cierta localidad en Ja carretera I-10, el nimero de autos que exceden el limite de velocidad en més de 10 millas por hora en media hora es una variable aleatoria tiene una distribucion de P z 8.4. {Cudl es la probabilidad de -mpo de espera menor de 5 minutos entre autos que exceden el limite de velocidad en més de (G millas por hora?jlo 6, Densidades de probablided especiales ezeitllo 6; Det 208. he una distribucién 53 Y. puesto que 5 minutos es } de la unidad de tiempo, en- Contramos que Ja probabilidad deseada es M6 i Sept cire ve ¢s aproximadamente 0.75 4 Conoce como una varia bilidad ests dada por fle) = en cualquier otra parte J} Sar Se see la tered eal S| El parémetro » se conoce como el nuimero de grados de libertad, o simplemente gra- dos de libertad. La dis ga un papel muy importante en la teo. alle en el capitulo 8, ¥ la Varianza de la distibucién gamma y, H cuadrada, demostremos primero el si. TEOREMA 6.2 El résimo ma esté dado por Pemostracién. Por la definicién 4 2, =fSeccién 6.3: Las distribuciones gamma, exponencial y ji cuadrada 209 x donde hacemos y = %. Puesto que la integral de Ia derecha es P(r + @) de acuerdo a la definicién de la funcion gamma en Ja pagina 205, esto completa la demostracion. -¥ Con el uso de este teorema, derivemos ahora los siguientes resultados sobre la distribucién gamma. TeOREMA 63 La media y la varianza de la distribuciGn gamma estén dadas por w= a8 y 0? = ap? Demostracién. Por el teorema 6.2 con r = 1 y ples) _ og wi T(@) 2, obtenemos PE(@ + 2) T(@) asi que “= aB y o?=a(a + 1)6? — (a8)? = af. v cA a(a + 16 Al sustituir en estas formulas @ = 1 y 8 = @ para la distribucin exponencial y ~ y B = 2 para la distribucién ji cuadrada, obtenemos 2 Pi y corotario 1 La media y la varianza de la distribucién exponencial estan dadas por w=0y & corotario 2 La media y la varianza de Ia distribucién ji cuadrada estin dadas por Bary C= my Para referencia futura, también demos aqu‘ la foncién generatriz de momentos de la distribucién gamma | TEOREMA 64 La funcién generatriz de momentos de la distribucion gemma | dada por210 Capitulo 6: Densidades de probabilidad especiales Se pediré al lector que demuestre este resultado y lo use para encontrar algunos de los momentos mas bajos en los ejercicios 6.12 y 6.13 6.4 LA DISTRIBUCION BETA Seite ee eee La densidad uniforme f(x) = 1 para0 Oy p > 0. En aflos recientes, la distribucién beta ha encontrado aplicaciones importantes en Ia infe- reneta bayesiana, donde los pardmetros se consideran como variables aleatorias,¥ hay ne- cssidad de una densidad de probabilidad bastante “flexible” para el pardmetro @ de la distribucion binomial, el cual sslo toma valores distintos a cero en el intervalo desde O has. {a I; Con “flexible” queremos decir que la'densidad de probabilidad puede tomar una gran Nariedad de formas diferentes, como se pedira al lector que verifique para la distribucién beta en el ejercicio 6.27. Este uso de la distribuci6n beta se examina en el capitulo 10, No demostraremos aqui que el drea total bajo la curva de la distribucién beta, co- mo la de cualquier densidad de probabilidad, es igual a 1, pero en la demastracién det feorema que sigue, nos valdremos del hecho que * F(a + 8) xP" de = 4 Y por tanto que Tip) T(a +p) fine la funei6n beta, cuyos valores se denotan Ba, 8); en otras pala- En cualquier libro de texto de céiculo avanzado se puedeSeccién 6.4: La distribucién beta ‘TEOREMA 6.5 La media y la varianza de la distribuci6n beta estén dadas por eae (@ + By(a+ B+ 1) Demostracién. Por definicion, r 1 Peron ee = a) ae ee Nileesie 8) Nestea) Tia)-F(@) Tia +p +1) atp donde reconocimos la integral como B(a + 1,8) y usamos el hecho que T(a + 1)=a-T(a)yP(a + 6 + 1)=(a + B)-P(a + 8). Pasos similares, los que se dejardn al lector en el ejercicio 6.28, dan (a+ 1a (@+B+i@+p) y se sigue que __ @tte fg a+ B+ i\(a+ B) (@# Ba +A +1) FJERCICIOS 6.1 Demuestre que si una variable aleatoria tiene una densidad uniforme con los pa- rametros a y 8, la probabilidad que asumiré un valor menor que a + p(8 ~ =) es igual a p. 6.2 Demuestre el teorema 6.1 63 Si una variable aleatoria X tiene una densidad uniforme con los pardmetros @ y 8, encuentre su funcién de distribucion, 6.4 Muestre que si una variable aleatoria tiene una densidad uniforme con los pa- rémetros a y 8, el résimo momento alrededor de la media es igual a (a) Q cuando res impar: cuando res par Use los resultados det ejercicio 6.4 para encontrar densidad uni forme con los parametros a y B.212 Capitulo 6: Densidades de probabilidad especiales 646 Se dice que una variable aleatoria tiene la distribucién de Cauchy si su densi- dad esta dada por fc) =——sy ye para a0 1. 68 Efectie un cambio apropiado de variable para mostrar que la integral que de- fine la funcién gamma se puede escribir como y por tanto Cambie a coordenadas polares para evaluar esta integral doble, y asi demostrar que (3) = Vz. 6.10 Encuentre las probabilidades de que el valor de una variable aleatoria excede- 14a 4 si tiene una distribucién gama con (@) a=2yp=3; (b) a=3yp=4 Muestre que una distribucién gamma con « > 1 tiene un méximo relativo en x = Bla — 1). ¢Qué pasa cuando 0 2, la distribuci6n ji cuadrada tiene un maximo relativo en x =v — 2. (Qué sucede cuando v = 200 0 0 en cualquier otra parte donde a > 0. Demuestre que para esta distribucion fz = @ u-5y% a(a)) Una variable aleatoria X tiene una distribucién de Pareto si y sdlo si su densi- dad de probabilidad esta dada por : 4s arax > 1 fis) = z 0 encualquier otra parte donde a > 0. Demuestre que ju! existe slo sir < a. Con respecto al ejercicio 6.21, demuestre que para la distribucién de Pareto siempre que @ > 1 a Baa Una variable aleatoria X tiene la distribucién de Weibull si y sdlo si su densi- dad de probabilidad est dada por vy, fete parax > 0 f= en cualquier otra parte donde a > Oy 8 > 6. (a) Exprese k en términos de @ y 8. Observe que con f = 1 son distribu nenciales. 6.24 Si la variable aleatoria T es el ties ra descom merci valores de su densidad de24 Capitulo 6: Densidades de probabilidad especiales de defecto cn el tiempo t es la densidad de probabilidad de defecto en el tiem- po t dado que no ocurre un defecto antes del tiempo t (a) Muestre que si T tiene una distribucion exponencial, la tusa de defecto es constante. (b) Muestre que si T tienc una distribucién de Weibull (véase el ejercicio 6.23), la tasa de defecto esta dada por afr?! 6.25 Verifique que la integral de la densidad beta desde —00 hasta 00 es igual a1 para (a) a=2yp=4 (0) a=3yp= 6.26 Muestre que si a > 1 y 8 > 1, la densidad beta tiene un maximo relativo en 1 atp-2 6.27 Bosqueje las grificas de las densidades beta que tienen (@) a=2yp=2; (b) a=fyB=1; © a=2yB=% (@) a=2yp= [Sugerencia: para evaluar T(3) y (3), utilice la formula recursiva T(a) (a = 1)-P(a~ 1) y el resultado del ejercicio 6.9.] 6.28 Verifique la expresiOn dada para 3 en la demostracién del teorema 6.5. 6.29 Demuestre que los parémetros de la distribucién beta se pueden expresar co- mo sigue en términos de la media y la varianza de esta distribucién: foe aes ) B= w [205 6.30 Karl Pearson, uno de los fundadores de Ja estadistica moderna, demostré que Ja ecuacién diferencial ec) eer fiz) ax nos da (para valores apropiacios de las constantes a, b, c yd) la mayor parte de las istribuciones importantes de Ia estadistica. Verifique que la ecuaciGn diferencial da la distribucion gamma cuando @=c = 0,b > Oya > Ia distribucion exponencial cuando a=c = d =0yb fe distribucién beta cuando a = 0,Seccin 6.4: La distribucién beta APLICACIONES 6.31 Se escoge un punto D en la linea AB, cayo punto medio es Cy cuya longi es a. Si X, la distancia de D a A, es una variable aleatoria que tiene ia densid uniforme con a = 0 y 6 = a, {cual es Ia probabilidad de que AD, BD ¥ formarén un triéngulo? 6.32 En ciertos experimentos, el error cometide cuando se determina la densidad d una sustancia es una variable aleatoria que tiene la densidad uniforme « O15 y B = 0.015. Encuentre las probabilidades de que un error tal (a) estard entre —0.002 y 0,003; (b)excederd 0.005 en valor absoluto. 6.33 Siuna compaiifa emplea n vendedores, sus ventas brutas en miles de délares se pue de considerar como una variable aleatoria que tiene una distribucién gamma co a = 80-Viy B = 2. Siel costo de ventas es $8,000 délares por vendedor, ;: tos vendedores debe emplear la compaffa para maximizar la utilidad esperada? 6.34 En cierta ciudad, el consumo diario de energfa eléctrica en millones de kilo tios-hora se puede tratar como una variable aleatoria que tiene la distribuci gamma con a = 3 y 8 = 2. Sila planta generadora de esta ciudad tiene una es pacidad diaria de 12 millones de kilovatios-hora, ;cual es la probabilidad de au esta oferta de energfa sea inadecuada cualquier dia dado? El millaje (en miles de millas) que los duefios de automéviles obtienen con tan cierta marca de neumatico radial es una variable aleatoria que tiene una diste bucion exponencial con @ = 40, Encuentre las probabilidades de que uno de estos neumdticos duraré (a) al menos 20,000 milias; (b) cuando mucho 30,000 millas. La cantidad de tiempo que un reloj funcionaré sin tener que volverlo a a tiempo es una variable aleatoria que tiene la distribucién exponencial eo 4 = 120 dias. Encuentre las probabilidades de que un reloj tal (a) tendré que ponerse a tiempo en menos de 24 dias; (b) no tendré que ponerse a tiempo en al menos 180 dias. EI ntimero de aviones que llegan por dfa a un pequefio aeropuerto privado € una variable aleatoria que tiene una distribucién de Poisson con A = 28.8. :Cu es la probabilidad de que el tiempo entre dos legadas tales sea al menos 1 hi El ndmero total de cheques sin fondos que un banco recibe durante un dia @ negocios de 5 horas es una variable aleatoria de Poisson con 4 = 2. ;Cudl es probabifidad de que no recibiré un cheque sin fondos en un dia cualquiera d rante las primeras 2 horas de actividad? 6.39 Una cierta clase de aparato doméstico requiere una reparacién en a ver. cada 2 afios. Suponiendo que los tiempos entre reparaciones estan ribuidos exponencialmente, cual es la probabilidad de que un aparato dome ‘tivo tal trabajard al menos 3 aitos sin requert porcién anual de declaraciones erréne:216 Capitulo 6: Densidades de probabilidad especiales de considerar una variable aleatoria que tiene la distribucién beta con @ = 2yB = 9, ccudl es la probabilidad de que en un afio dado cualquiera ha- bré menos del 10 por ciento de deciaraciones erréneas? 6.41 Si la proporcién anual de nuevos restaurantes que fracasan en una ciudad da. da se puede considerar como una variable aleatoria que tiene una distribucion Lyf =4,encuentre + (a) Ja media de esta distribucién, esto es, la proporci6n anual de nuevos res- taurantes que se puede esperar que fracasen en la ciudad dada; (b) 1a probabilidad de que al menos 25 por ciento de todos fos nuevos restau- antes fracasen en la ciudad dada en un afio cualquiera, 6.42 Suponga que Ja vida de servicio de un semiconductor es una variable aleatoria que tiene la distribucién de Weibull (véase el ejercicio 6.23) con « = 0.025 y B= 0.500. (2) @Cudnto se puede esperar que dure un semiconductor como ése? (b) ;Cuél es la probabilidad de que un semiconductor como ése estaré toda- via en condiciones operativas después de 4,000 horas? beta con a 6.5 LA DISTRIBUCION NORMAL La distribucién normal, que estudiaremos en esta seccién, es de muchas maneras, la pie- dra angular de la teorfa estadistica moderna. Se investig6 por primera vez en él siglo XIX cuando los cientificos observaron un grado asombroso de regularidad en los errores de medicién, Encontraron que los patrones (distribuciones) que observaban se podian apro- ximar cercanamente por curvas continuas, a los que se referfan como “curvas normales de errores” y las atribuian a las leyes del azar. Abraham de Moivre (1667-1745), Pierre Laplace (1749-1827) y Karl Gauss (1777-1855) estudiaron por primera vez las propieda- des matematicas de estas curvas normales. DEFINICION 6.6 Una variable aleatoria X tiene una distribucién normal y se co- noce como una variable aleatoria normal si y soto si su densidad de probabilidad | esté dada por | | | | | l de la secci6n transversal de una La gréfica de una distribucién normal, con ta forr campana, se muest La notaci6n que aquf se use es similar a le de las distribuciones de probabilidad dei capitulo 5; muestra explicitamente que los dos pardmetros de n embargo, queda por mostrar que el par es. de hecho, le’ faiz cuadrada enia igura 6.4 utiliza en relacién con algunas que distribucién ne metro ues, de hecho. ESeccién 6.5: La distribucién normal 247 Figure 6.4 Gréfica de la distribucién normal. de var(X), donde X es una variable aleatoria que tiene Ja distribucién normal con es- tos dos pardmetros. No obstante, primero demostremos que la férmula de la definicién 6.6 puede servir como una densidad de probabilidad. Puesto que los valores de n(-r; 4, 0) son evidente- mente positivos mientras o > 0, debemos probar que cl érea total bajo la curva es igual a 1. Allintegrar de —00 a 9 y hacer Ia sustitucién z = , obtenemos r@) Entonces, puesto que la integral de la derecha es igual aL) de acuerdo al 2 Ve ejercicio 6'9, se sigue que el area total bajo la curva es igual a —— fi A continuacién probaremos que ee TEOREMA 6.6 La funcién generatriz de momentos de la distribucién normal es- 14 dada por | | My(s) = 27? Demostracién. Por definicién, Mx(#) = ie e218 Capitulo 6; Densidades de probabilidad especiales —2x1o? + (x — p) = [x — (uw + to”) — 2pto? — Po* Puesto que la cantidad dentro de las laves es la integral de —00 a co de una den- sidad normal con los parémetros 4 + to? y oy por tanto es igual a 1, se sigue que obtenemos, = the? My(t) = Ahora estamos listos para verificar que los pardmetros 4 y & en Ia definicién 6.6 son, ciertamente, Ia media y la desviacién estandar de a distribucién normal. Si dife- renciamos dos veces My(r) con respecto a 1, obtenemos I(t) = (4 + 07t)-My(t) My(t) = [(H + 0%)? + 0°]-Mx@) de manera que Mx(0 ) =e y ME(0) = P+ 0% Asi, E(X) =p y var(X) = (407) — =o ue que la distribucién normal juega un papel bésico en estadistica y su den- sidad no se puede integrar directamente, se han tabulado sus 4reas para el caso espe- cial donde p» = Oyo = 1. DEFINICION 6.7 La distribucién normal con p. = 0 y o = 1 se conoce como la distribucién normal estandar. Los asientos en la tabla III. representadds por el Area sombreada de la figura 6.5, son los valores Figura 6.5 Areas tabulacas bajo la distribucién normal esténclar.esto es, las probabilidades de que una variable aleatoria Que mal estéindar asumird un valor en el intervalo de 0 2 =, para = = 0.00) 3,09 y también z = 4.0, 2 = 5.0 y z = 6.0. En virtud de la simetria de Ta ‘normal alrededor de sti media, e8 innecesario ampliar la tabla IIT a los valores nezsti- vos de z, EJEMPLO 6.2 Encuentre las probabilidades de que una variable aleatoria que tiene la distribucion normal esténdar asumiré un valor @) ) © @), Solucién (a) (>) © (a) menor que 1.72; menor que —0.88; entre 1.30 y 1.75; entre —0.25 y 0.48. Buscamos el asiento correspondiente a z = 1.72 en la tabla IIT, sumamos 0.500 (véase la figura 6.6) y obtenemos 0.4573 + 0.5000 = 0.9573, Buscamos el asiento correspondiente a z = 0.88 en la tabla III, restamos 0.5000 (véase la figura 6.6) y obtenemos 0.5000 ~ 0.3106 = 0.1894. Buscamos los asientos correspondientes a z = 1.75 y z = Li en la tabla Hil, restamos el segundo del primero (véase la figura 6.6) y obtenemos 0.4599 — 0.4032 = 0.0567. Buscamos los asientos correspondientes a z = 0.25 y z = 0.45 em la tabla IIL, los sumamos (véase la figura 6.6) y obtenemos 0.0987 + 0.1736 = 02723. Figura 6.6 Diagramas pare el ejempio 6.2220 Capitulo 6: Densidades de probabitidad especiales Ocasionalmente, se nos pide encontrar un valor de z que corresponda a una pro- babilidad especifscada que cae entre los valores listados en la tabla IIT. En ese caso, por conveniencia, siempre eseogemos el valor de z que corresponda al valor tabular que es ms cercano a la probabilidad especificada. Sin embargo, si la probabilidad dada cae a mitad de camino entre los valores tabulares, escogeremos para z el valor que cae @ mi- tad de camino entre los valores correspondientes de z. EJEMPLO 6.3 Con respecto a Ia tabla TIT, encuentre los valores de z que corresponden a los datos de (a) 0.3512; (b) 0.2533. Solucién (a) Puesto que 0.3512 cae entre 0.3508 y 0.3531, que corresponden a z = 1.04 yz = 1.05, y puesto que 0.3512 es mas cercano @ 0.3508 que 0.3531, esco- gemos z = 1.04. Puesto que 0.2533 cae a mitad de camino entre 0.2517 y 0.2549, que corres- ponden az = 0.68 y z = 0.69, escogemos z = 0.685. & Para determinar las probabilidades relacionadas con variables aleatorias que tic~ nen distribuciones normales distintas la distribucién normal esténdar, usamos el si- guiente teorema TEOREMA 6.7 Si X tiene una distribucién normal con media uy la desviacion es- téndar o, entonces Z debe asumir un valor entre 2, == yz, lor entre x, y x). Por tanto podemas escribir Higa So EA)Seccién 6.5: La distribucién normal 221 donde se ve que Z es una variable aleatoria que tiene Ia distribueién normal es- téndar. v Asi, para usar la tabla HII en relacién con cualquier variable aleatoria que tiene una distribucién normal, simplemente efectuamos el cambio de escala z EJEMPLO 6.4 ‘Supongamos que Ia cantidad de radiacién e6smica a la que una persona esta expuesta cuando vuela en jet por Estados Unidos es una variable aleatoria que tiene una distri- bucién normal con una media de 4.35 mrem y una desviaci6n esténdar de 0.59 mrem. 4Cuél es la probabilidad de que una persona estara expuesta a ms de 5,20 mrem de radiaci6n césmica en un vuelo como ése? Soluci6n 5.20 = 435 959 7 14 en la tabla IIL y to res- tamos de 0.5000 (véase la figura 6.7) y obtenemos 0.5000 ~ 0.4251 =0.0749. a Buscamos el dato correspondiente a z Figure 6.7 Diagram para el ejemplo 6.4 Con la ayuda de programas de computadora escritos especialmente para aplica- ciones estadisticas es posible encontrar directamente tas probabilidades relacionadas con variables aleatorias que tienen una distribucién normal y otras distribuciones con- tinuas més. El siguiente ejempio ilustra dichos eélculos mediante el uso del software es- tadistico MINITAB. EJEMPLO 6.5, Use un programa de computadora para encontrar la probabilidad de que una variable aleatoria que tiene Ja distribueién ji cuadrada con 25 grados de libertad asumird un valor ma- yor que 30%Densidades de probabilidad especiales (b) {a distribuci6n normal con la media 18.7 y la desviaci6n esténdar 9.1 asumi- ré un valor entre 10.6 y 2438. Solucién Mediante el uso del software MINITAB, seleccionamos la opci6n “distribucién cumulativa” para obtener lo siguiente: (a) wmB>coF C1; SUBC>Chisquare 25 30.0098 9.7757 Asi, la probabilidad requerida es 1.0000 — 0.7757 = 0.2243. MIB>CDF C2; y -MTB>CDF C3; SUBC>Normal 18.7 9.1 SUBC>Normal 18.7 9.1. 19.6000 9.1867 24.800 9.7487 Asi, la probabilidad requerida es 0.7487 — 0.1867 = 0.5620. & 6.6 LA APROXIMACION NORMAL A LA DISTRIBUCION BINOMIAL ‘Algunas veces s¢ introduce la distribucién normal como una distribucién continua que proporciona una aproximacién cercana a la distribucién binomial cuando », el ntimero de ensayos, es muy grande y 6, la probabilidad de un éxito en un ensayo individual, es cercano a}. La figura 6.8 muestra los histogramas de las distribuciones binomiales con Figure 6.8 Distriouciones binomiales conSeccién 6.6: La aproximacién normal a fa distribucién binomial 223 @=}yn=2, 5, 10y 25, y se puede ver que con n creciente estas distribuciones se aproximan al patrén simétrico en forma de campana de la distribucin normal A fin de ofrecer un fundamento te6rico para este argumento, probemos primero cl siguiente teorema. | TEOREMA 6.8 Si X es una variable aleatoria que tiene una distribucién binomial | con los pardmetros n y 6, entonces Ia funcién generatriz de momentos de | | | J X= no a Vinod — 0) se aproxima a la distribucin normal esténdar cuando n —+ 00, Demostracién. At valemnos de los teoremas 4.10 y 5.4, podemos escribir Mz(t) Fa ban(t) eo"? rgletee= 1) donde = n8 y o = Vnd(1 — 6). Entonces, si tomamos logaritmos y sustitu! mos en la serie de Maclaurin de e‘”, obtenemos: In My-a(t) = — + n-in{i + o(e!" — 1)] Le 4d es + nein[s + of 2+ y, Si usamos la serie infinita In(1 + x 3x? + fx? — --, la cual converge para |x| <1, para expandir este logaritmo, se sigue que224 Capitulo 6: Densidades de probabilidad especiales puesto que 4 = 18. Entonces, al sustituir ¢ = Vn0(1 — @), encontramos que donde para r > 2 el coeficiente de ¢’ es una constante multiplicada por se aproxima a 0 cuando n—+00. Se sigue que ¥ puesto que el limite de un logaritmo es igual al logaritmo del limite (siempre ‘que los dos limites existan), concluimos que limp, Ma—a(0) Ja cual es Ja funcidn generatriz de momentos del teorema 6.6 con» = Oy To Esto completa la demosiraci6n del teorema 6.8, pero .ya demostramos que cuan- do noo la distribuci6n de Z, la variable aleatoria binomial estandarizada, se aproxi- ma a la distribucién normal esténdar? No exactamente. Para este fin, debemos referimnos a dos teoremas que enunciaremos sin demostrarlos. 1. Hay una correspondencia univoca entre las funciones generatrices de momentos y las distribuciones (densidades) de probabilidad cuando existen las primeras 2. Sila funcién generatriz de momenios de una variable aleatoria se aproxima a la de otra variable aleatoria, entonces la distribucién (densidad) de la prime- ra variable aleatoria se aproxima a la de la segunda variable aleatoria bajo las mismas condiciones limite. Hablando estrictamente, nuestros resultados son vilidos cuando n —+00, pero a menudo se usa la distribucién normal pars aproximar probabilidades binomiales aun cuando n es relativamente pequefia. Una buena regia empirica es usar esta aproxima- (on sdlo cuando né y n(1 — 8) son ambos mayores que 5. EJEMPLO 6.6 Use la aproximacién normal a la distribucisn b ara determinar la probabilidad de sacar seis caras y 10/cruces en 16 lanzamientos de una moneds belanceada o equilibrada, Solucién Para encontrar esta aproximacion debemos usar la correccién de continuidad, de acuerdo a Ja cual cada entero no negativo & se representa con el intervalo de k ~ Lak +}. Con respecto a la figura 6.9, debemos determinar as{ el érea ba jo la curva entre 55 y 6.5, YF 6 6-3-4 = 2, deSeccién 6.6; La aproximacién normal a la distribucién binomial. 225 Sse 5) e 65-8 a 125 y z pes 2 z 2 Los datos en la tabla III que corresponden a z = 1.25 y z = 0.75 son 0.3944 y 0.2734, y encontramos que la aproximacién normal a la probabilidad de “seis ca- ras y 10 cruces” es 0.3944 — 0.2734 = 0.1210. Puesto que el valor correspondien- -07: te en la tabla Les 0.1222, encontramos que el error de la aproximacidn es —0.0012 0012 0.1223 "100 = 0.98% en valor absoluto. —& Y que el porcentaje de error es Numero de caras, Figura 6.9 Diagrama para el ejemplo 6.6 La aproximacién normal a la distribucién binomial solfa aplicarse muy exten: mente, particularmente al aproximar probabilidades relacionadas con grandes valores de variables aleatorias binomiales. Hoy en dia, la mayor parte de este trabajo se hace con computadoras, como se ilustra en el ejemplo 6.5, y hemos mencionado la relacidn entre las distribuciones normal y binomial principaimente a causa de sus aplicaciones te6ricas. Constituye la base de muchos de los procedimientos tratados en los capitulos UL, 13 y 16. EJERCICIOS 6.43 Demuestre que la disigibucién normal tiene (@) un maximo relativo en x = jx (b) puntos de inflexién en x =p ~oyx=y+0 6.44 Muestre que Ia ecuacién diferencial del ejercicio 6.30 con b = nos da una disitibucién normal. 6.45 En Ja demostracidn de! teorema 6.6 diferenciamos dos veces la funcidn wy var reicio 4.33, encuentre las expresiones pura 2 ¥ ju226 Capitulo 6: Densidades de probabilidad especiales 96) Sos oe eee alestoria qu tenn ung distribu) gorzial con la media wy la acsviacion esténdar o, encuentre la funcién genevatriz de momentos de ¥ donde ces una constante, y dsela para volver 4 trabajar con el ejercicio 6.45, G47 Use los resultados del ejercicio 6.45 para demostrar que a, distribuciones normales, donde a y a, son como se definieron 434 y 435 649 Si X es una variable aleatoria Aue-tiene la distribucion normal estandar y ¥ = X°, demuestre que cov(X, ¥) = 0 aun cuando X y ¥ no son evidentemen- te independientes, 6-50 Use Ia expansion en la serie de Maclaurin de la funcién generatriz de momen- ‘os de la distribucién normal estandar para demostrar que 0 cuando r es impar; )s cuando r es par, 651 Si hacemos Ky(1) In My_,.(1), et Coeficiente de = en la serie de Mactaurin de Ky(?) se lama el résimo seamalante, y se denota con x,. Al igualar coeficien- tes de potenciales iguales, demuestre que (a) « (©) 2 Con respecto al efercicio 6.51, muestre ue para las distribuciones normales > o* todos los dems acumulantes son cero. 685 Pruebe que si X es variable aleatoria que tiene la distribucién de Poisson con el Posmete Ay A— 00, entonces fa fmciOn generate de momentos de pio ela de la variable aleatoria de Poisson es © aproxima a la Stttiz de momentos de la distribucién normal estand:, }ece constante, la funcién gen 2 Vanable aleatoria gamma estandarizada se apronima atti de momentos de la distribuciGn normal esténdeSecci6n 6.6: La APLICACIONES: 6.55 Si Z es una variable aleatoria que tiene la distribucion normal tte las probabilidades que asumird un valor (@)_ mayor que 1.14; (6) mayor que —0.36; (©) entre —0.46 y —0.09; (d) entre -0.58 y 1.12, 6 Z es una variable aleatoria que tiene la distribucién normal esténdar, (a) P(Z < 13); (b) P(Z = 0.79); (© POSS < Z < 122), (d) P(-19 SEZs 0.44). Encuentre z si el area de Ja curva normal esténdar (a) entre Oy z es 0.4726, (b) ala izquierda de z es 0.9868; (©) ala derecha de z es 0.1314; (d) entre —z y z es 0.8502. Si 7 es una variable aleatoria que tiene la distribucién normal esténdar, encuen- tte los valores respectivos de z,, zp, zs y 24 tales que @) P(O zs) = 0.2912; @ P(-u = Z para simplificar la notacién, obtenemos peetion se puede ver que ésia es una distribucio: normal con la media jy, =n + p=Capitulo 6: Densidades de probabilidad especiales os resultados correspondientes para la densidad condicional de X dado Y = y siguen por simetria. La distribucién normal bivariada tiene muchas propiedades importantes, algunas estadisticas y algunas puramente mateméticas, Entre las primeras, esté la siguiente pro- piedad, que se pediré al lector la demuestre en el ejercicio 6.74 TEOREMA 6.10 Si dos variables aleatorias tienen una distribucién normal bivaria- | da, son independientes si y s6lo si p = 0. | En relacién con esto, sip = 0, s¢ dice que las variables aleatorias no estan correlacio- nadas. También, hemos mostrado que para dos variables aleatorias que tienen una distri- bucién normal bivariada las dos densidades marginales son normales, pero la reciproca no es necesariamente verdad. En otras palabras, las distribuciones marginales pueden ser normales ambas sin-que la distribucién conjunta sea una distribucién normal biva- riada. Por ejemplo, si la densidad bivariada de X y Y est dada por foe y) dentro de los cuadros 2 y 4 de Ja figura 6.10 0 dentro de los cuadros 1 y 2 de la figura 6.10 Lites) en cuatguierotr pare donde f(x,y) es el valor de la densidad normal bivariada con p = 0,42 = Oyp = 0 en (x,y), €s féeil ver que las densidades marginales de X y Y son normales aun cuan- do su densidad conjunta no es una distribucién normal bivariada Se obticnen muchas propiedades interesantes de la densidad normal bivariada al estudiar la superficie normal bivariada, que se muestra en la figura 6.11 y cuya ecua- cién es z = flx.y), donde f(x, ») es el valor de la densidad normal bivariada en (x, y) Coma se pediré at lector que verifique en Ios ejercicios que siguen, la densidad normal Superticie normal bivariadaSecci6n 6.7: La distribucién normal bivariada bivariada tiene un méximo en (11,, #2). cualquier plano paralelo al eje z interseca fa Superficie en una curva que tiene la forma de una distribucion normal y cualquier pla no paralelo al plano xy que interseca la superficie la interseca en w eclipse Hamada um contorno de densidad de prab Jos contor~ nos de densidad de probabil idad constante son circulos, y es costumbre referirse a la densidad conjunta correspondiente como una disttibucién norraal circular. EJERCICIOS 674 Para probar el teorema 6.10, demuestre que si X y ¥ tienen una distribucion normal bivariada, entonces (a) su independencia implica que p = 0; (6) p = Oimplica que son independientes. 6.75 Demuestre que cualquier plano perpendicular al plano xy interseea la superfi- cie normal bivariada en una curva que tiene la forma de una distribucite no mal. 6.76 Si el exponente de ¢ de una densidad normal bivariada es Fle +2) — 29 + 2) — 1) + 4ly -1))] encuentre 8) bys es on 2 9; ) uy oF 6.77 Si el exponente de e de una densidad normal bivariada es (2 4 4? + ray + 2x + gy +4) encuentre o, ay p, dado que 1, = Oy wz = —1 6.78 Si X y ¥ tienen ia distribucion normal bivariada con w, = 2, we oo = 6 yp =F, encuentre yy y ory, 6.79 Si X’y ¥ tienen una distribucién normal bivariada y U= ¥ + Y y V= encuentre una expresiGn para el cueficiente de correlacion de Uy V. 6.80 Si Xy ¥ tienen una distribucién normal bivariada, se puede demostrar que éu funcién generatriz de momentos conjunta (véase el ejercicio 4.63) est dada por Verifique que (@)_ la primera derivada par234 Capitulo 6: Densidades de probabilidad especiales (b) la segunda derivada parcial con respecto ah en = 0 y y= 0 es ott ais i (© Ja segunda derivada parcial con respecto a t, y en 4, = Oy h = es pore: + Hate APLICACIONES: 681 El centro de un blanco se toma como el origen de un sistema rectangular de coordenadas, con respecto al cual el punto de impacto de un cohete tiene las coordenadas X y Y. Si Xy ¥ tienen la densidad normal bivariada con 1 = 0, #2 = 0, o1 = 120 pies, 7, = 120 pies y p = 0, encuentre la probabilidad de que el punto de impacto estar (a) dentro de un cuadro con lados de 180 pies, cuyo centro esté en el origen ¥ cuyos Jados son paralelos a los ejes de coordenadas; (B) dentro de un circulo cuyo radio de 75 pies con su centro en el origen. 6.82 Si Xy ¥ tienen ta distribucién normal circular con y=, = Oy 0) =o2 = 12, encuentre (a) la probabilidad de obtener un punto (x, y) dentro de un circulo 2 + 36: (b) el valor de ¢ para el cual la probabilidad de obtener un punto (x, y) den- tro del circulo x? + y* = c? es 0.80, 6.83 Suponga que X y Y, la altura y el peso de ciertos animales, tienen la distribu- cion normal bivariada con 1, = 18 pulgadas, uw, = 15 libras, c; = 3 pulgadas, 2 = 2 libras y p = 0.75. Encuentre (a) el peso esperado de uno de estos animales de 17 pulgadas de alto; (&) la altura esperada de uno de-estos animales de 20 libras de peso. REFERENCIAS En forma resumida es posible encontrar informacion itil acerca de varias densidades de pro- babilidades especiales en DERMAN, C,, GtEseR, L., and Oxy, 1., Probability Models and Applications. Nueva York, Macmillan Publishing Co., Inc., 1980, Hastines, N. A. J., and Peacock, J. B., Statistical Distributions. Londres: Butterworth & Co. Ltd., 1975, y JOUNSON. N. L., and Korz, S., Continuous Univariate Distributions, Vols, 1 and 2. Boston Houghton Mifflin Company, 1970. Una prucbs dirceta que ia distribucién binomial estandarizada se aproxima a la distribucié normal estandar cuando n — oo se da en EPING. E. S.. Introduction to Statistical Inference. Princeton, NJ: D. Van Nostrand Co. Inc., 1962.