Capitulo DISTRIBUCION DE PROBABILIDAD EMI VARIABLE ALEATORIA Los experimentos aleatorios originan resultados y los resultados nos permiten tomar decisiones. Un mismo experimento aleatorio se puede llevar a cabo para tomar distin- tas decisiones. Asi por ejemplo, el simple lanzamiento de una moneda puede ser motivado por distintas razones. ¢Cuantos partidos de futbol no se han decidido por el resultado de una moneda? Y écudntas veces no se ha visto obligado 0 librado usted de llevar a cabo una tarea que no querfa'realizar por el simple resultado de la moneda? Ademés de esta circunstancia de la moneda, tal vez usted ha utilizado en alguna ocasi6n un par de dados para tomar decisiones distintas en diferentes juegos. Sin embargo, a pesar de que el propésito sea distinto cuando se lleva a cabo un experimento aleatorio, éste no cambia su comportamiento por el simple hecho de que los propésitos cambien. Lo anterior nos esta indicando que una cosa son los distintos resultados de un experimento y otra los propésitos que perseguimos cuando Jo realizamos. El medio por el cual expresamos nuestro aspecto de interés al llevar a cabo un experimento aleatorio es el de variable aleatoria. Una primera interpretacién que se le puede dar al concepto de variable aleatoria es la que dice: una variable aleatoria es aquella que asume valores de acuerdo con los resultados de un experimento aleatorio. Al precisar mas el concepto y acercéndolo mejor a la idea formal como se esta- blece en estudios de la probabilidad a otro nivel, podemos decir que una variable aleatoria es una funcin de valor real que tiene como dominio el espacio muestral asociado a un experimento aleatorio. Las variables aleatorias generalmente son desig- nadas por las letras X, Y, Z. En el siguiente ejemplo se ilustra cémo se asocia una variable aleatoria a un experimento. Se lanza una moneda tres veces. Sabemos que el espacio muestral correspon- diente a este experimento esta dado por S = {ccc, ccs, csc, sce, ssc, SCs, C55, $55}. 9798 Estadistica para las ciencias administrativas Si de los resultados del lanzamiento de la moneda nos interesa el numero de “caras” que se obtienen en cada lanzamiento, entonces definimos la variable, X = numero de “caras’ en los tres lanzamientos. Los valores posibles de esta variable son: X = 0 que se identifica con sss 0 lo que es lo mismo con el evento, A: se obtienen tres “sellos". X = I que se identifica con css, scs, ssc 0 lo que es lo mismo con el evento, B: se obtiene una “cara”. = 2 que se identifica con ccs, csc, scc 0 lo que es lo mismo con el evento, C: se obtienen dos “caras” = 3 que se identifica con ccc 0 lo que es lo mismo con el evento, D: se obtienen tres “caras”. Porlo anterior se tiene que P[X = 0] = PIA] = -y. PIX = I] = PIB] = 3, PIX = 2} = Pic] = 4, PIX = 3] = PID} = +. Estos resultados se pueden resumir en una tabla como la siguiente, llamada distribu- cion de probabilidad. X:0 12:3 331 388 Observe que la suma de valores P[X = 0]'+ P[X = 1] + PIX = 2] + PIX = 3] 1 + 2 + 2 +] = 1-En general, para cualquier distribucion de probabili- dad discreta debe darse que Ja suma de las probabilidades de todos los valores que pueda asumir la variable debe ser igual a 1. Consideremos el lanzamiento de dos dados una vez. Sea X = Suma de puntos de las dos caras. Vamos a hallar la distribucién de probabilidad de esta variable. Cuando se lanzan dos dados hay 36 resultados posibles, y las distintas sumas de puntos son: 5 a 4, 5,6, 7, 8, 9, 10, II, 12, los cuales se dan con las posibilidades respectivas |, 2, 4,5, 6,5, 4, 3, 2, |. Por tanto, la distribucién de probabilidad de esta variable es: X 2 3 4 5 6 7 8 9 10 12 ee Uhl hUmDLl En la figura 5.1 se muestra graficamente esta distribucién. Una vez que se ha definido la variable, empiezan a tener significado escrituras tales como: [X = 5] que para el caso de la variable definida anteriormente significa que “el resul- tado de la suma sea menor o igual a 5”. [X > 8] que significa que “el resultado de la suma sea mayor que 8" y asi sucesiva- mente. En cuanto a la probabilidad se tiene: PIX < 5] = 12 = 2 = 028, como puede deduciise a partir de la anterior tabla si tenemos en cuenta que P[X < 5]= P[X = 0] + P[X = 1] + P[X = 2]Distribucién de probabilidad 99 Figura 5.1 Distribucién de probabilidad de la variable X, suma de puntos en las caras de dos dados perfectos. + P[X = 3] + P[X = 4] + P[X = 5]. De una manera andloga se tiene P[X = 2] PIX < 4] => = 4p = 008 Para calcular P[X > 9] ae tener en cuenta que en este caso nos referimos a P[X = lo] + P[X = 15] + PIX = ]yasi P[X > 9] = = 1 = 008 Si usted desea obtener P[X < 10]la forma mds aconsejada es que lo haga por el complemento utilizando la identidad P[X < 10] = | — P[X > 10]. Elcalculode P[X > 10] = P[X =11]+ P[X =12] =24+2=4% =7 Por iltimo usted puede comprobar que en este caso también se cumple que, P[X = 2] + P[X = 3] +... + P[X = 12] = En la anterior discusién introductoria al tema de la variable aleatoria ain queda la sensacién de que los problemas relacionados con la probabilidad se pueden resolver © estudiar mediante numeraci6n de los distintos resultados a que da lugar el experi- mento en cuestién. Sin embargo, son pocos los problemas practicos que pueden ser resueltos de esta manera. Por ello, se recurre més bien al estudio de la relacion existente entre los resultados del experimento y la probabilidad asociada a tales resultados; de este estudio surgen los modelos probabilisticos como son el binomial, el de Poisson, el normal, etc. Ahora bien, los distintos resultados del experimento se pueden dar de manera discreta (variable aleatoria discreta); por ejemplo, el nimero de articulos defectuosos por lote. O de forma continua (variable aleatoria continua), por ejemplo, el peso de los seres humanos. = 0.08 5.1.1 Variable aleatoria discreta Una variable aleatoria discreta X es aquella que sdlo puede tomar algunos valores entre dos nimeros dados. As{ por ejemplo, son variables aleatorias discretas las siguientes: — X = namero de puntos que muestra la cara superior de un dado después de su lanzamiento. — Y = ntimero de clientes que llegan en una hora a un banco en solicitud de servicios.100 Estadistica para las ciencias administrativas La distribucién de probabilidad de una variable aleatoria discreta es una tabla; gréfica, formula o cualquier otro medio que se usa para especificar todos los valores posibles de la variable, junto con sus respectivas probabilidades. Las dos tablas que hemos mostrado en los dos ejemplos anteriores, como se dijo en aquella oportunidad, corresponden a distribucién de probabilidad de las respectivas variables. En general, para una variable aleatoria discreta su distribucién se puede dar mediante una tabla de valores como, Xx P= PIX = x]:P, P 0 mediante una formula (que es lo usual en la practica) que nos dice qué valor p, de probabilidad asignar para cada valor x, posible de la variable. En cualquiera de los casos debe cumplirse que: (I) Todos los p,= Oy (2) > p= in Nota. n eventualmente puede ser igual a infinito. Las variables que se emplean en el estudio de problemas de interés su distri- bucién se da generalmente mediante una férmula y hablamos asf de la distribucién binomial, distribucién de Poisson, por ejemplo. Finalmente, hagamos notar que cuando se calculé la probabilidad P[X < 5] para el caso de la suma de puntos de las caras de los dos dados, enfatizamos que para obtener este valor se sumaban todas las probabilidades de todos los valores x que fueran menores o iguales a 5. Pues bien, esta idea puede extenderse y tenemos asi un nuevo concepto de suma importancia, especialmente cuando se estudian variables aleatorias continuas. Nos referimos al concepto de funcién de distribucién acumulada 0 acumulativa que se denota y define como Fl) = P[X = x] (5-1) 1 ap PIX < 3] =<. PIX < 4] =< yasi sucesivamente. En particular P[X < x] =-0 para cual- Para el caso de la variable X que hemos comentado tenemos: P[X < 2] quier valor x < 2(un valor x para este caso, menor de dos es imposible) y P[X = x] = | para todo x = 12, puesto que en este caso entran todos los valores posibles de la variable. 5.1.2 Variable aleatoria continua Hasta aqui hemos concentrado nuestra atencién en variables aleatorias cuyo numero de respuestas posibles se hallan en un conjunto finito de valores. Pero existen muchos experimentos de gran interés cuyos resultados pueden ser nimeros cualesquiera dentro de un intervalo dado. Por ejemplo, si se trata de los pesos de los seres humanos, al tomar X como la variable que representa el peso de una persona escogida al azar Su peso real puede ser un ndmero entre 0 y 200 kg. Es decir, la respuesta de la variable X se halla en ese rango y puede ser cualquier ntimero de estos. Sin embargo, lo mas seguro es que usted registre 68 kg, por ejemplo. Y si contintia con una segunda persona, registrar posiblemente 70 kg, etc.; al hacer el registro de esta manera, puede caer en la falsa creencia de que se trata de una variable discreta. Pero de una vez porDistribucién de probabilidad 101 todas, tenga en cuenta que una cosa es el comportamiento o naturaleza de la carac- teristica que se esté midiendo y otra la incapacidad humana y la de nuestros instru- mentos para medirla exactamente; en sus registros s6lo ha anotado un valor aproxi- mado de la medicién verdadera. Si usted se ha pesado en una balanza de “reloj", se ha dado cuenta en dénde se detiene la aguja exactamente? Sino lo ha hecho, jhagalo! Una variable aleatoria continua es aquella que puede tomar cualquier valor entre dos ntmeros prefijados. ‘Como ilustracién sobre la manera como se comporta una variable aleatoria con- tinua, consideremos el experimento de tomar un cfrculo cuya circunferencia mide un metro y en donde hemos hecho 10 divisiones sucesivas a igual distancia denotadas 0.1, 0.2, 0.3, ... 0.9 que giran en igual sentido a como lo hacen las manecillas del reloj y el 0.0 coincidente con el 1. Véase figura 5.2. 10 00 0.90 0.10 080 0.20 0.70 030 0.60 0.40 050 Figura 5.2 Circulo dividido en diez sectores circulares iguales. Si se hace girar la aguja (que se supone equilibrada) ésta da vueltas hasta que se detiene en cierta posicién. Sea X la variable aleatoria que representa al nimero que corresponde a esa posicién. Es claro que la aguia puede detenerse en cualquier punto de la circunferencia y el valor posible de X es cualquier néimero entre 0 y |. Esto es, el intervalo [0,1] Ahora bien, como cualquier posicién de la aguja se puede expresar mediante la variable que hemos definido, un suceso 0 evento puede ser: E = {x | 0.25 < x < 0.75} que equivale a decir que la aguja se parard en el segundo 0 tercer cuadrante (contado en igual sentido a como giran las manecillas del reloj). Ahora nos queda por resolver el problema de cémo asignar probabilidad a los distintos eventos que se pueden formar a partir de este experimento. En situaciones de variables aleatorias continuas y aun para algunas discretas, la probabilidad no se puede obtener por conteo y es necesario recurrir a otros niveles superiores de la matemética para estudiar el comportamiento de la variable, con lo cual se obtienen los distintos modelos. En el presente caso el modelo es el llamado de la distribucién uniforme que definiremos por ahora de la manera siguiente: O20 PIX 0 para cualquier valur x teal. 2. El drea total bajo la curva debe ser igual a 1. 3. Pla < x < b] = 4reabajola curva entre ay b, siempre y cuando ay bqueden dentro del dominio de la variable. Para ilustrar este punto, volvamos al problema de la aguja que gira alrededor de un circulo; la funcién de densidad se representa en la figura 5.3 y est definida como igual a I para los valores x entre 0 y I; y 0 para cualquier otro valor x que quede fuera del intervalo. Ax) t_» x 0 02 04 06 08 10 Figura 5.3 Funcién de densidad para la variable X que representa la posicion de la aguja en la circunferencia. La probabilidad de que X quede entre un subintervalo entre 0 y | es la longitud del intervalo, Por ejemplo, P[0.20 < X < 0.40] = 0.40 — 0.20 = 0.20, yaquea = 0.20 y b = 0.40. El drea rayada en la figura 5.3 da la probabilidad P[0.20 < X < 0.40]. Observe que P[0.20 5X] = 5{ +) = 2 = E[S5X], Esta igualdad no es casual, sino que es una propiedad del valor esperado. En la obtencién del valor esperado de Y se hizo uso de una propiedad del valor esperado que establece que si X es una variable aleatoria y g(X) una funcién de X106 Estadistica para las ciencias administrativas entonces aX] = Yetx)P[X= x] 65) Apliquemos ahora (5-5) para obtener E [(X~3)] E [(x-3)] = aa) + 2-si[s)+ o-aft +a-a(5]+5-a(2) + 6-a[4) a= Dect OF 1 +243 _ 3 ol 6 6 2 Si tomamos E[X]-3 = + =E[X-3]. Esta es otra propiedad del valor esperado. Obtengamos E [X*] E [Xx] = v(4) + ls) + #4) + #[e] + 22] + @[Z] = b+4+9+ 16+ 2+ 36 OF 6 ar) No se cumple que E[X”] = (E[X])? Las propiedades del valor esperado las podemos resumir de la manera siguiente: 1. Ele] = cal ser c una constante. Por ejemplo, E[3] = 3. 2. El[cX] = cE[X], al ser c constante y X una variable aleatoria. 3. E[X+c] = E[X] + cal ser c constante y X una variable aleatoria. 4. E[X+¥] = E[X] + E[Y], al ser Xy Y variables aleatorias. 5. E[aX+bY] = aE[X] + bE[Y], al ser ay b constantes; X, Y variables aleatorias. La propiedad 5 se puede generalizar y se tiene ElayX, + aX) +... + ayXq] = a, E[X] + Q(X] +... + aE[X] (5-6) Asi como las medidas de posicién tienen su generalizacién mediante el valor esperado, la variabilidad de los datos (muestra) también tiene su generalizaci6n mediante la varianza de la variable, la cual se denota y define como sigue: Sea X una variable aleatoria que asume los valores X,, x, X3, ... X, con probabilidades Tespectivas P,, P2, Ps, -... Py la Varianza de X se denota y define asi ox = VIX] = EUX—px)7] = 1 — ml? + 2 Hx)? py +... + Hx!” Pp (5-7) La raiz cuadrada de la varianza se llama desviacién estandar y se denota ox. Vamos a calcular la varianza para la variable X que corresponde al nimero de puntos de la cara superior del dado. Al aplicar (5-7) se tiene: Vix] = u-35P() + 2-35r(8) + o-35r(s] + -357(5) + 6-35r (4) _ 6.25 + 2.25 + 0.25 + 2.25 + 6.25 _ 1 + (6-35) (:] $ 175 6 oo 12Distribucién de probabilidad 107 Ahora hagamos la siguiente operacion E[X"] - (E[X])? = 2- 22 =, que coincide con el valor de varianza hallado. Esta es una propledad que siempre se cumple. La desviacion estandar es o, = 3 =17 La varianza es una medida del grado de concentracién de los valores de la variable aleatoria alrededor de su media p,, mientras més dispersos estén los valores respecto de la media, mayor sera la varianza. Son propiedades de la varianza: La varianza no puede ser negativa. Sic es una constante => V[c] V[X] = EDC] — (E[X)?. V[cX] = c*v[X], al ser c una constante y X una variable aleatoria. V[X + ¢] = V[X], al ser c una constante y X una variable aleatoria. yveyne Algunas de estas propiedades fueron comprobadas en el capitulo 3. Estos conceptos de valor esperado y varianza también se aplican para variables aleatorias continuas, pero en este caso la interpretaci6n intuitiva que es clara para el caso discreto, se pierde. Para que podamos estudiar una variable a cabalidad se hace necesario que ademés de conocer su distribucién conozcamos también su valor esperado y su varianza. Ejercicios [5.2 | 1. Para una variable X se cumple que x = E[X] = 3 E[X*] = 25. Calcule: a E[(X— 10] 6) E[\X - 37] of E[SX]_ d) VEXI @ VI(X+3)] 9 VEL2K) 2. Una variable aleatoria X tiene distribucién de probabilidad como se indica: x ol- o 1 2 = PLX=. t+ io4 prix]: = GF calcule: a) E[\X-1)) 6) EL?) oc) EBX] d) VEX) ed vit] A ELX+3)] » . eQué se entlende por valor esperado de una variable? > |. Se comparan dos marcas de cigarrillo para determinar la diferencia Den contenido de nicotina ‘en ambas marcas. Sea X el contenido de nicotina de la marca I y Yel contenido de nicotina de la marca Il. Se ha encontrado que la media de Xs 25 miligramos y la media de Yes 22 miligramos. 18] = P[X = 18] + P[X = 19] + P[X = 20] = (38) ooo? + {73} onPos'+ (38) 0.17%09° = 190(0.1)'% + 20(0.1)'%0.9) + (0.1) = 0 d)P[2 < X < 5] = P[X = 2] + P[x = 3] + P[X = 4} + P[x= 5] = = (Phorriosrs + (F)orros” + (7?) ont (0.96 +(?} (0.1)0.9)"> = 0.781 e) En este caso debemos caicular P[X > 3] = P[X = 3] + P[X = 4] +... + P[X = 20] Si tratéramos de hacer este calculo directamente, seria algo dispendioso. Por ello lo aconsejado y acostumbrado para estos casos es proceder mediante el complemento y tenemos asi: PIX = 3] = 1 PIX <3] = 1 - P[X<2]= 1 - PIX= 0] - PIX= 1) - Pix =a =1- (3) (0.10.9)? — (7) (0.10.9)! - . (?) (0.170091 = 1-068 = 032 Nota. En algunos textos de estadistica se hallan tablas en las que aparecen los valores de la funcién de distribucién acumulativa para una variable con distribucién binomial para algunos valores de p. En el problema anterior las probabilidades se han evaluado con una calculadora manual.Distribucién de probabilidad 111 Como ya fue sefialado en el capitulo 5, seccién 5.2, las variables aleatorias tienen asociadas dos medidas basicas que son la media y la varianza. Las expresiones de dichas medidas para el caso de una variable con distribucién binomial corresponden aux = npyo*, = npq.Ladeduccidn de estas formulas es posible cuando se utilizan los resultados conocidos para una variable con distribucién de Bernoulli. En efecto, ya sabido que una variable aleatoria X con distribucién binomial se puede expresar como una suma de variables con distribucién de Bernoulli podemos escribir X como: X=V¥+ NH +..+% siendo Y,, Y2, ... Yq Vatiables con distribucién de Bernoulli. Y asi, E[Y] = p,i = 1,2, De (Ge) se tiene E[X] = EY, ‘ Y¥, +...+ Ys] = E[Y] + ELY.] + ... + ELYal Asi que, E[X] = p + p + ... +p = ap. Esto es E[X] = np.' (5-12) En cuanto a lo que toca a la varianza, haremos uso del siguiente resultado que sera obtenido en la seccién 7.2 del capitulo 7. "Si Y,, Yo, ... Yq $On variables aleatorias independientes entonces V[Y, + Y) + +Y,] = V[Y,] + VEY,] + ... +VLy,]". Para el caso de que X sea una variable con distribucién binomial tenemos que, de acuerdo con (5-10). V[X] = pq + pq + + pq =npq. Por tanto, V[X] = npq (5-13) Respecto del problema anterior, :cudntas partes defectuosas se espera encontrar en [a muestra? Como lo que se nos pregunta es sobre el valor que asume E[X], entonces de acuerdo con (5-12), esperamos encontrar np = 20(0.1) = 2 partes defectuosas en la muestra de tamajio 20. La forma de la distribucién binomial depende de los valores de p y de n. Si P = q = 05, la distribucién sera simétrica independientemente del valor n, véase figura 5.4. Si p # q la distribuci6n sera sesgada. Dado un valor particular de n cuanto mayor sea la diferencia entre p y q, tanto mas sera acentuado el sesgamiento de la distribucién. Si pq, sera sesgada a la izquierda. Sin embargo, al aumentar el valor n, la distribucién se hace menos sesgada, véase figura 5.5. El modelo binomial ha resultado adecuado para el andlisis inferencial en algunos estudios relacionados con el comportamiento y en general en aquellos aspectos que atafien a la estadistica no paramétrica. 5.3.2 Distribucion hipergeométrica La distribucién binomial se basa en el supuesto de que la poblaci6n es infinita y de que la probabilidad de éxito permanece constante, lo cual se consigue en tales pobla- ciones 0 cuando se toman muestras con repeticion (reemplazo) en poblaciones finitas. Cuando la poblacién es finita y el muestreo se hace sin reemplazo, la probabilidad cambiaré para cada nueva observaci6n. En tales circunstancias, se tendra una distribu- cién de probabilidad que se llama distribucién hipergeométrica. * Ver en el suplemento V un método diferente de demostracién.112 Estadistica para las ciencias administrativas Pix) isd 03 n=5 06 ans 02 o4 ou 02 ° yx 6 1 1. px Ot asa. @ ia 2 Pa an a=5 03 n=5 02 02 ou in ou 0 Pr 0 Py, 2 4 6 8 DW R o 1 2 3 4 5 Pix) Pax) OS 0.10 0.05 Figura 5.4 Distribucién binomial, p= 0.5 Figura 5.5 Distribucién binomial, p=0.1 Para aplicar la distribucién hipergeométrica, ademés de que el muestreo se haga sin repeticin y que la poblacién sea finita, ésta debe estar formada por dos grupos de individuos u objetos. Un primer grupo constituido por aquellos individuos queDistribucién de probabilidad 113 poseen la caracteristica objeto de estudio; el nimero desus elementos lo denotaremos Ni; y el otro estara conformado por los que no poseen la caracteristica y el ntimero de sus elementos lo denotamos N,. La variable con distribucién hipergeométrica debe ser de la forma: X = ntimero de éxitos en los n ensayos (muestreo sin repeticién). Los valores de probabilidad asociados a esta variable con distribucion hipergeométrica estan dados por (™ ) N, x'} ine x = 0,1, P[X = x] = (™ i ™) insin 3] = I-P[X < 3] = I-e ot ar tart sr = 1-0998 = 0.002 c) En este caso el valor de 4 debe ser modificado acorde con el intervalo de tiempo que se esté tomando en cuenta que es de tres minutos, asf qlie A = 3(05) = 15. La variable ahora es, X = nimero de Ilamadas que llegan en tres minutos. 154 1.5)* Pix = a) = SOUS y= 91,23, ... P[X < 5] = d) Eneste caso se hace una consideraci6n similaral caso cy tomamosh = 5(0.5) = 25 Qs) 2 0 P[xX > 2] = 1-P[x = 2) = ren | et -0.54 = 0.46Distribuci6n de probabilidad 115 €) Como ya se coment6, cuando se trata de responder sobre una situacién esperada sta se evalia mediante el valor esperado que para el caso presente es A = 2.5. Esto es, se espera que Ileguen entre dos y tres llamadas en el intervalo de cinco minutos. Otro ejemplo. En una concurrida interseccién de trafico la probabilidad de que un automévil tenga accidentes es p = 10~. Si pasan 1,000 automdviles, halle la pro- babilidad de que ocurran dos 0 mas accidentes. Como puede notarse, este caso presenta todas las caracterfsticas para proponer una distribucién binomial; pero debido a que el valor de p es muy pequefio y el valor de n grande, se utiliza la denominada aproximaci6n de Poisson, la cual consiste en tomar en cuenta esta distribucién con A = np = (1,000)(10~) = 0.1 y de esta forma la probabilidad es, P[X > 2] 1-P[X < 2] = 1~(1.01)e*' = 1-0.995 = 0.005, siendo X = nd- mero de accidentes en el intervalo de tiempo considerado. La curva de una distribuci6n de Poisson es sesgada a la derecha, pero a medida que A aumenta la curva se va haciendo simétrica, véase figura 5.6 ‘0.20 0.10 012 0.10 0.08 0.06 0.04 002 4 8 2 16 20 224 2% a oe Figura 5.6 Distribucién de Poisson para valores de A = 2y A 10. Ejercicios 3 1. Suponga que el 80% de las familias de una ciudad tienen casa propia. Sea Yla variable aleatoria ‘que toma el valor | cuando una familia elegida al azar en la ciudad es propietaria y 0 cuando no lo es. Halle la media y la varianza de Y. 2. Sila probabilidad de obtener un “fracaso” es 0.1, construya un modelo probabilfstico de Bernoulll y-calcule luego la media y la desviacién esténdar de la variable aleatoria.116 Estadistica para las ciencias administrativas = x 10. 12. 13. 14, 15. 16. Por qué la distribucién hipergeométrica no es deducible a partir de la distribucién de Bernoulli Como lo es la distribucién binomial? |. Se juega 30 veces una moneda regular y se obtienen 30 “caras". Y~ N (a + bp, B’o*) (5-18) La propiedad establecida por (5-18) se expresa al decir que “una transformacion lineal de escala de una variable X de distribucién normal, da una nueva variable Y que tiene también distribucién normal". La justificaci6n para esta afirmaci6n la encontramos en parte al revisar las propie- dades que hemos sefialado para el valor esperado y la varlanza de una variable. ‘Suponga que el tiempo de servicio X de los empleados de una compaiiia tiene distribucién normal de media 4. = 15 afios y desviacién estandar a = 5 afios. Se encontré que las remuneraciones mensuales de los empleados se relacionan con X de manera que Y = 100,000 + 5,000X. Entonces, de acuerdo con (5-18) Y tiene dis- tribucién normal con media _p = 100,000 + 5,000(15) = 100,000 + 75,000 = 175,000 y varianza o* = (5,000)°(5)? = 625,000,000 0loqueeslomismoa = 25,000. Cuando se suman dos variables con distribucién normal bajo ciertas condiciones, la suma (diferencia) también presenta distribucién normal. Pero este tema serd tratado en un capitulo posterior. Ejercicios | 5.4 1. Dada una distribucién normal, encuentre el rea bajo la curva que cae: a) ala izquierda de z = 1.52 d) a la izquierda de z = -1.93 b) ala derecha de z = ~09 e/ ala derecha de z = 1.28 ¢) entre 1.8 y 27 AD entre -05 y 1.84 2. Encuentre el valor de z si el érea bajo una curva estandar: a) aladerecha es0.3510 b) alaizquierda es 0.1234 €) entre dy z,conz > 0,€50.4838 d) entre ~zyz,conz > 0,€50.9500 3. Si Z representa la variable con distribucién normal esténdar, halle los valores de k para que: a) plz = K) = 080 by Plz = K) = 005 ©) PIZ < k} = 0.90 @) Pl|z| < k= 095 e) P[|Z| > k] = 001 4, Sea X ~ N(100, 225). Halle las probabilidades siguientes: a) PIX = 925), bi) PIX > 76 co) PIX < 1075] ) PX > 124) el PL775 = xX < 100} 8 Pi < X= 127] 5. Para la variable definida en el problema 4, halle el valor x que satisface: a) PIX = x] = 075 b) PIX > x] = 0.10 o} P[-x< X <3] = 090 d) PIX = x] = 005 6. Suponga que en un test normal de puntuacién media de 75 y una desviacién estindar de 6, tres estudiantes A, B y C fueron notificados de tener puntuaciones Z normales estandares de 1.8, 05 y —0.8 respectivamente. Halle las notas obtenidas por A, B y C. 7. Sea Y = 5X + 10y suponga que X tiene distribucién normal con media 10 y varianza 25. Halle las probabilidades siguientes: a) PLY = 68] b) Ply < 695] co) PLY = 54 d) PIs3 = ¥ = 59]Distribucién de probabilidad 127 5.4.1 Aplicaciones de la distribucién normal En los siguientes ejemplos se tratan algunos de los muchos problemas para los cuales es aplicable la distribuci6n normal. Problema 1. Cierto tipo de pieza para automévil tiene un promedio de duracién de tres afios, con una desviacion estandar de 0.5 afios. Suponga que las duraciones de las piezas son normalmente distribuidas y encuentre la probabilidad de que una pieza determinada tenga un tiempo de duracién de mas de 3.5 afios. Primero hacemos un grafico como el que se muestra en la figura 5.15, en donde se muestra la distribucién establecida para la pieza y el area que se desea calcular. 33S Figura 5.15 Area del problema 1. Para encontrar P[X > 3.5] es necesario evaluar el area bajo la curva normal a la derecha de 3.5. Esta se obtiene al localizar el rea a la derecha del correspondiente valor z. Este corresponde a z O5—= | ¥ asi tenemos, P[X > 35] = Piz > 1] = 1 - Plz < 1] = 1 — 08413 = 0.1587. Problema 2. Una fabrica de alimentos empaca productos cuyos pesos estan normal- mente distribuidos con media de 450 gramos y desviacién estandar de 20 gramos. Encuentre la probabilidad de que un paquete escogido al azar pese entre 425 y 486 mos. La distribucién de los pesos de los paquetes se muestra en la figura 5.16. 5 450 286 Figura 5.16 Area del problema 2. Por lo anterior se tiene: P[425 < X < 486] = p[-1.25 40] = P[Z > 167] = | — P[Z < 167] = 1 - 0.9525 = 0.0475, lo que nos indicaria que sélo el 4.75% de los estudiantes obtuvo notas por encima de 4.0. = ee = 167 Ejercicios 1. Una fébrica de harina empaqueta en sacos de tela. El saco de harina se acepta como de distribucién normal con media y desviacién estandar iguales a 25 y 0.5 respectivamente. Si se toma al azar un saco, {cual es la probabilidad de que: a) ese cuanto mas 24.2875? 1b) Pese por lo menos 26.0025?Distribucién de probabilidad 129 2. El didmetro interno de un anillo de pist6n esta normalmente distribuido con una media de 10 centimetros y una desviacién estandar de 0.03 centimetros. a} ¢Cual es la probabilidad de que un anillo de pistén tenga un didmetro intemo entre 9.97 y 10.032 b) 10] = P[Z > 0.17] = = 1 — P[Z < 0.17] = 1 — 05675 = 0.4325 ~ Paralapanteb)setienez = 4°10 = —1.8y portant, P[X < 5] = P[Z < -18] = | — P[zZ < 18] = 1 — 0.9641 = 0.0359 Ejercicios | 5.6 1. Por qué es util fa aproximacién normal a la binomial? 2. 8) o PIT < X= 16] d) PIs < X < 10] 7. Suponga que el 20% de las llamadas que llegan a una central telefénica sean hechas con “cargo diferido”. Si durante cierto periodo llegan 400 llamadas a la central, écual es la probabilidad de que: a} 100 llamadas a lo mas sean de cargo diferido? 'b) 70 llamadas por lo menos sean de cargo diferido? 8. Explicar la razon segan la cual la correccion por continuldad se naga usualmente cuando se aplica la aproximacién normal a la distribucion binomial.