EST 103 Rolando de la Cruz

EST 103: Estadstica I, sec. 5 & 6

Modelos para Variables Aleatorias Continuas Rolando de la Cruz

Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

1er Semestre 2013

1 / 69

Estructura
1

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

2 / 69

Modelo Uniforme
Denicin 1.1
Se dice que una v.a. X est uniformemente distribuida en un intervalo [, ] si su funcin de densidad de probabilidad est dada por
f (x) =
1

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

si x e.o.c.

3 / 69

Modelo Uniforme
Denicin 1.1
Se dice que una v.a. X est uniformemente distribuida en un intervalo [, ] si su funcin de densidad de probabilidad est dada por
f (x) =
Notacin:

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

si x e.o.c.

X U (, ).

4 / 69

Modelo Uniforme
Denicin 1.1
Se dice que una v.a. X est uniformemente distribuida en un intervalo [, ] si su funcin de densidad de probabilidad est dada por
f (x) =
Notacin:

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

si x e.o.c.

X U (, ).
( )2 12 .

Teorema 1.1
Si X U (, ) entonces E [X ] =
+ 2

y V [X ] =

5 / 69

Modelo Uniforme
Denicin 1.1
Se dice que una v.a. X est uniformemente distribuida en un intervalo [, ] si su funcin de densidad de probabilidad est dada por
f (x) =
Notacin:

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

si x e.o.c.

X U (, ).
( )2 12 .

Teorema 1.1
Si X U (, ) entonces E [X ] =
Dem.
+ 2

y V [X ] =

6 / 69

Modelo Uniforme
Denicin 1.1
Se dice que una v.a. X est uniformemente distribuida en un intervalo [, ] si su funcin de densidad de probabilidad est dada por
f (x) =
Notacin:

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

si x e.o.c.

X U (, ).
( )2 12 .

Teorema 1.1
Si X U (, ) entonces E [X ] =
Dem.
Usar la denicin.

+ 2

y V [X ] =

7 / 69

Modelo Uniforme
Funcin de distribucin acumulada (FDA)
Si

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

X U (, ),

entonces

F (X ) = P (X x)
x

f (y )dy 0 1
si si si

x <x< x .

Nota: La

F (x)

es muy til cuando queremos calcular

probabilidades del tipo constante.

P (X a)

P (X < a),

siendo

una

8 / 69

Modelo Uniforme
Ejemplo 1.1
Unos autobuses llegan a una parada determinada a intervalos de 15 minutos a partir de las 7 de la maana. Es decir, llegan a las 7:00, 7:15, 7:30, 7:45, etc. Si un pasajero llega a la parada en un momento que est distribuido uniformemente entre las 7:00 y 7:30, encuentre la probabilidad que espere el autobus a) menos de 5 minutos, b) por lo menos 12 minutos
Solucin

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

9 / 69

Modelo Uniforme

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

10 / 69

Modelo Uniforme
a)

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

Sea X el tiempo en minutos que transcurre despus de las 7:00 y hasta la llegada del pasajero a la parada. Como X es una variable aleatoria uniforme en el intervalo (0, 30), tenemos que el pasajero tendra que esperar menos de 5 minutos si llega entre las 7:10 y las 7:15 o entre las 7:25 y las 7:30. Por tanto, la probabilidad buscada es
P (10 < X < 15) + P (25 < X < 30) = 5 1 5 + = . 30 30 3

11 / 69

Modelo Uniforme
a)

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

Sea X el tiempo en minutos que transcurre despus de las 7:00 y hasta la llegada del pasajero a la parada. Como X es una variable aleatoria uniforme en el intervalo (0, 30), tenemos que el pasajero tendra que esperar menos de 5 minutos si llega entre las 7:10 y las 7:15 o entre las 7:25 y las 7:30. Por tanto, la probabilidad buscada es
P (10 < X < 15) + P (25 < X < 30) = 5 1 5 + = . 30 30 3

b)

De manera similar, tendr que esperar por lo menos 12 minutos si llega entre las 7:00 y las 7:03, o entre las 7:15 y las 7:18, y, por lo tanto, la probabilidad que se pide aqu es
P (0 < X < 3) + P (15 < X < 18) = 3 3 1 + = . 30 30 5
12 / 69

Ejemplo 1.2
La concentracin de cierto contaminante del agua se considera con distribucin uniforme entre 4 y 20 partes por milln (ppm). Si se considera como txica una concentracin de 15 ppm o ms a) Qu probabilidad hay de que al tomar una muestra sta sea txica? b) Si se toma una muestra y resulta que la concentracin es no txica qu probabilidad hay de que tenga una concentracin menor de 10 ppm?
Solucin
Sea

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

X = concentracin X U (4, 20)

de contaminante (ppm),

13 / 69

Ejemplo 1.2
La concentracin de cierto contaminante del agua se considera con distribucin uniforme entre 4 y 20 partes por milln (ppm). Si se considera como txica una concentracin de 15 ppm o ms a) Qu probabilidad hay de que al tomar una muestra sta sea txica? b) Si se toma una muestra y resulta que la concentracin es no txica qu probabilidad hay de que tenga una concentracin menor de 10 ppm?
Solucin
Sea

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

X = concentracin de contaminante X U (4, 20) 20 1 5 a) P (X 15) = 15 204 dx = 16 .

(ppm),

14 / 69

Ejemplo 1.2
La concentracin de cierto contaminante del agua se considera con distribucin uniforme entre 4 y 20 partes por milln (ppm). Si se considera como txica una concentracin de 15 ppm o ms a) Qu probabilidad hay de que al tomar una muestra sta sea txica? b) Si se toma una muestra y resulta que la concentracin es no txica qu probabilidad hay de que tenga una concentracin menor de 10 ppm?
Solucin
Sea

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

X = concentracin de contaminante X U (4, 20) 20 1 5 a) P (X 15) = 15 204 dx = 16 .

b)

(ppm),

P (X < 10|X < 15) =

1/16dx 1P (X 15)
10 4

P (X<10X<15) P (X<15) 6 11 .

P (X<10) P (X<15)

=
15 / 69

6/16 11/16

Modelo Exponencial
Denicin 1.2
Una v.a. continua cuya funcin de densidad de probabilidad est dada, para algn > 0, por
f (x) = ex si x 0 0 si x < 0

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

se dice que es una v.a. exponencial con parmetros .

16 / 69

Modelo Exponencial
Denicin 1.2
Una v.a. continua cuya funcin de densidad de probabilidad est dada, para algn > 0, por
f (x) = ex si x 0 0 si x < 0

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

se dice que es una v.a. exponencial con parmetros .

Notacin:

X Exp().

17 / 69

Modelo Exponencial
Denicin 1.2
Una v.a. continua cuya funcin de densidad de probabilidad est dada, para algn > 0, por
f (x) = ex si x 0 0 si x < 0

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

se dice que es una v.a. exponencial con parmetros .

Notacin:

X Exp().
1

Teorema 1.2
Si X Exp(), entonces E [X ] = y V [X ] =
1 . 2

18 / 69

Modelo Exponencial
Denicin 1.2
Una v.a. continua cuya funcin de densidad de probabilidad est dada, para algn > 0, por
f (x) = ex si x 0 0 si x < 0

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

se dice que es una v.a. exponencial con parmetros .

Notacin:

X Exp().
1

Teorema 1.2
Si X Exp(), entonces E [X ] =
Dem.

y V [X ] =

1 . 2

19 / 69

Modelo Exponencial
Denicin 1.2
Una v.a. continua cuya funcin de densidad de probabilidad est dada, para algn > 0, por
f (x) = ex si x 0 0 si x < 0

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

se dice que es una v.a. exponencial con parmetros .

Notacin:

X Exp().
1

Teorema 1.2
Si X Exp(), entonces E [X ] =
Dem.
Usar la denicin.

y V [X ] =

1 . 2

20 / 69

Modelo Exponencial: Funcin de distribucin

Si

EST 103 Rolando de la Cruz Modelo Uniforme

X Exp()

entonces

F (x) = P (X x)

Modelo Exponencial Modelo Normal Ms Ejemplos

21 / 69

Modelo Exponencial: Funcin de distribucin

Si

EST 103 Rolando de la Cruz Modelo Uniforme

X Exp()

entonces

F (x) = P (X x)
x

Modelo Exponencial Modelo Normal Ms Ejemplos

=
0

ey dy

22 / 69

Modelo Exponencial: Funcin de distribucin

Si

EST 103 Rolando de la Cruz Modelo Uniforme

X Exp()

entonces

F (x) = P (X x)
x

Modelo Exponencial Modelo Normal Ms Ejemplos

=
0

ey dy x0

= 1 ex ,

23 / 69

Modelo Exponencial: Funcin de distribucin

Si

EST 103 Rolando de la Cruz Modelo Uniforme

X Exp()

entonces

F (x) = P (X x)
x

Modelo Exponencial Modelo Normal Ms Ejemplos

=
0

ey dy x0

= 1 ex ,

En la prctica, la distribucin exponencial se presenta con frecuencia como la distribucin de la cantidad de tiempo que pasa hasta que ocurre un evento especco.

24 / 69

Modelo Exponencial
Ejemplo 1.3
Un fabricante de un monitor de televisin comercial garantiza el cinescopio por un ao (8760 horas). Los monitores se utilizan en terminales de aeropuerto para programas de vuelo y estn encendidos en uso continuo. La vida media de los tubos es de 20000 horas, y siguen una densisdad de tiempo exponencial. El costo de fabricacin, venta y entrega es de USD 3000 y el monitor se vende en el mercado en USD 4000. Cuesta USD 1500 reemplazar el cinescopio cuando falla, incluyendo material y mano de obra. El fabricante no tiene obligacin de sustituir el cinescopio si ya ha habido una primera sustitucin. Cul es la utilidad esperada por el fabricante?
Solucin

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

25 / 69

Modelo Exponencial
Solucin
Sea

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

la utilidad y

el tiempo de vida de un cinescopio. De y

los datos del enunciado se tiene que:

T Exp( = 1/20000), U (t) =

Por lo tanto:

1000 500

si si

t > 8760 t 8760.

E [U ] = 1000P (T > 8760) 500P (T 8760). P (T > 8760) =

1 1 e 20000 t dt = e8760/20000 0,64533 8760 20000 P (T 8760) = 1 P (T > 8760) 0,35467.

Finalmente:

E [U ] = 1000(0,64533) 500(0,35467) = 467,99. ser de USD 467,99 por monitor.

La utilidad
26 / 69

Modelo Exponencial: Propiedad

La propiedad clave de una v.a. Exponencial es que

EST 103

no tiene memoria.

Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

27 / 69

Modelo Exponencial: Propiedad

P (X > s + t|X > t) = P (X > s)

EST 103

La propiedad clave de una v.a. Exponencial es que no tiene Decimos que una v.a. no negativa no tiene memoria si:

memoria.

Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

para toda s, t 0.

28 / 69

Modelo Exponencial: Propiedad

P (X > s + t|X > t) = P (X > s)

EST 103

La propiedad clave de una v.a. Exponencial es que no tiene Decimos que una v.a. no negativa no tiene memoria si: Esta condicin es equivalente a:

memoria.

Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

para toda s, t 0.

29 / 69

Modelo Exponencial: Propiedad

P (X > s + t|X > t) = P (X > s)

EST 103

La propiedad clave de una v.a. Exponencial es que no tiene Decimos que una v.a. no negativa no tiene memoria si: Esta condicin es equivalente a:
P (X > s + t, X > t) = P (X > s) P (X > t )

memoria.

Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

para toda s, t 0.

o
P (X > s + t, X > t) = P (X > s)P (X > t).

30 / 69

Modelo Exponencial: Propiedad

P (X > s + t|X > t) = P (X > s)

EST 103

La propiedad clave de una v.a. Exponencial es que no tiene Decimos que una v.a. no negativa no tiene memoria si: Esta condicin es equivalente a:
P (X > s + t, X > t) = P (X > s) P (X > t )

memoria.

Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

para toda s, t 0.

o
P (X > s + t, X > t) = P (X > s)P (X > t).

Si X es una v.a. Exponencial, entonces:

P (X > x) = ex

y usando la propiedad que e(s+t) =

31 / 69

Modelo Exponencial: Propiedad

P (X > s + t|X > t) = P (X > s)

EST 103

La propiedad clave de una v.a. Exponencial es que no tiene Decimos que una v.a. no negativa no tiene memoria si: Esta condicin es equivalente a:
P (X > s + t, X > t) = P (X > s) P (X > t )

memoria.

Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

para toda s, t 0.

o
P (X > s + t, X > t) = P (X > s)P (X > t).

Si X es una v.a. Exponencial, entonces:

P (X > x) = ex

y usando la propiedad que e(s+t) = es et

32 / 69

Modelo Exponencial: Propiedad

P (X > s + t|X > t) = P (X > s)

EST 103

La propiedad clave de una v.a. Exponencial es que no tiene Decimos que una v.a. no negativa no tiene memoria si: Esta condicin es equivalente a:
P (X > s + t, X > t) = P (X > s) P (X > t )

memoria.

Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

para toda s, t 0.

o
P (X > s + t, X > t) = P (X > s)P (X > t).

Si X es una v.a. Exponencial, entonces:

P (X > x) = ex

y usando la propiedad que e(s+t) = es et se puede concluir que

las v.a. exponenciales no tienen memoria!!

33 / 69

Modelo Exponencial: Ejemplo

Ejemplo 1.4
Imagine que el nmero de millas que puede recorrer un auto antes que se le acabe la batera est distribuido exponencialmente con un valor promedio de 10.000 millas. Si una persona quiere realizar un viaje de 5.000 millas, cul es la probabilidad de que llegue al nal de su viaje sin tener que cambiar la batera? Qu se puede decir si la distribucin no es exponencial?

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

34 / 69

Modelo Exponencial: Ejemplo

Ejemplo 1.4
Imagine que el nmero de millas que puede recorrer un auto antes que se le acabe la batera est distribuido exponencialmente con un valor promedio de 10.000 millas. Si una persona quiere realizar un viaje de 5.000 millas, cul es la probabilidad de que llegue al nal de su viaje sin tener que cambiar la batera? Qu se puede decir si la distribucin no es exponencial?
Solucin
Debido a la propiedad de no tener memoria de las distribuciones exponenciales, la variable aleatoria exponencial con parmetro a calcular es:

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

tiempo de vida (en miles de millas) restante de la batera es

= 1/10.

Luego, la probabilidad

P (X > 5) = 1 P (X 5) = 1 [1 e5 ] = e1/2 0,604.

35 / 69

Modelo Exponencial: Ejemplo (cont.)

Ahora, si la distribucin del tiempo de vida

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

no es

exponencial, entonces la probabilidad a calcular sera

1 F (t + 5) P (tiempo de vida > t+5|tiempo de vida > t) = 1 F (t)

donde

es el nmero de millas que la batera ha estado en

uso antes de que se inicie el viaje. Es decir, si la distribucin no es exponencial se requiere informacin adicional calcular la probabilidad deseada.

(t),

para

36 / 69

Modelo Exponencial: Propiedad

Proposicin 1.1
Si X1 , X2 , . . . , Xn son v.a. exponenciales independientes con parmetros 1 , 2 , . . . , n , respectivamente, entonces m n(X1 , . . . , Xn ) es una v.a. exponencial con parmetros n i=1 i .

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

37 / 69

Modelo Exponencial: Propiedad

Proposicin 1.1
Si X1 , X2 , . . . , Xn son v.a. exponenciales independientes con parmetros 1 , 2 , . . . , n , respectivamente, entonces m n(X1 , . . . , Xn ) es una v.a. exponencial con parmetros n i=1 i .
Demostracin:

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

38 / 69

Modelo Exponencial: Propiedad

Proposicin 1.1
Si X1 , X2 , . . . , Xn son v.a. exponenciales independientes con parmetros 1 , 2 , . . . , n , respectivamente, entonces m n(X1 , . . . , Xn ) es una v.a. exponencial con parmetros n i=1 i .
Demostracin:
Como el menor valor de un conjunto de datos es menor que

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

x,

entonces todos los valores son mayores que

x,

P (m n(X1 , X2 , . . . , Xn ) > x) = P (X1 > x, X2 > x, . . . , Xn > x) = P (X1 > x)P (X2 > x) P (Xn > x) = e1 x e2 x en x = e
n i=1 i .
39 / 69
n i=1

i x

Esta distribucin corresponde a una exponencial de parmetro

Modelo Exponencial: Ejemplo

Ejemplo 1.5
Un sistema en serie es aquel que necesita que todos sus componentes funcionen para que el sistema funcione. Cul es la probabilidad de que un sistema en serie con n componentes, donde los tiempos de vida de los componentes son variables aleatorias exponenciales independientes con parmetros respectivos 1 , 2 , . . . , n sobreviva hasta un tiempo t?
Solucin

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

40 / 69

Modelo Exponencial: Ejemplo

Ejemplo 1.5
Un sistema en serie es aquel que necesita que todos sus componentes funcionen para que el sistema funcione. Cul es la probabilidad de que un sistema en serie con n componentes, donde los tiempos de vida de los componentes son variables aleatorias exponenciales independientes con parmetros respectivos 1 , 2 , . . . , n sobreviva hasta un tiempo t?
Solucin
Como la vida del sistema es igual a la del componente de vida mnima, empleando la proposicin anterior tenemos:

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

P (la vida del sistema sea mayor a t) = e

n i=1

i t

41 / 69

Modelo Normal

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

42 / 69

Modelo Normal
Denicin 1.3
Se dice que una v.a. est normalmente distribuida con parmetros y 2 si su densidad es
(x)2 1 f (x) = e 2 2 , 2

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

< x < +.

43 / 69

Modelo Normal
Denicin 1.3
Se dice que una v.a. est normalmente distribuida con parmetros y 2 si su densidad es
(x)2 1 f (x) = e 2 2 , 2

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

< x < +.

Notacin:

X N (, 2 )

44 / 69

Modelo Normal
Denicin 1.3
Se dice que una v.a. est normalmente distribuida con parmetros y 2 si su densidad es
(x)2 1 f (x) = e 2 2 , 2

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

< x < +.

Notacin:

X N (, 2 )

Si

X N (, 2 ) entonces el clculo de x F (x) = f (y )dy , con y R no es explcito.

45 / 69

Modelo Normal

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

46 / 69

Modelo Normal
Teorema 1.3
Si X N (, 2 ) entonces E [X ] = y V [X ] = 2 .

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

47 / 69

Modelo Normal
Teorema 1.3
Si X N (, 2 ) entonces E [X ] = y V [X ] = 2 .
Dem.:
No es fcil y escapa a los intereses del curso.

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

48 / 69

Modelo Normal Estndar

Denicin 1.4
Si X N (, 2 ) entonces
Z= X

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

es una v.a. Normal con media 0 y varianza 1.

49 / 69

Modelo Normal Estndar

Denicin 1.4
Si X N (, 2 ) entonces
Z= X

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

es una v.a. Normal con media 0 y varianza 1. Se dice que Z es una v.a. Normal Estandar.

50 / 69

Modelo Normal Estndar

Denicin 1.4
Si X N (, 2 ) entonces
Z= X

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

es una v.a. Normal con media 0 y varianza 1. Se dice que Z es una v.a. Normal Estandar.

Denicin 1.5
Sea () la funcin de distribucin de Z :
1 (x) = 2
x

y2 2

dy

51 / 69

Modelo Normal Estndar: Estandarizacin

Usando las deniciones anteriores, para cualquier v.a. Normal X N (, 2 ) siempre se podr obtener una v.a. Normal estndar haciendo el cambio de variable:
Z= X .

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

Este procedimiento se llama

estandarizar.

52 / 69

Modelo Normal Estndar: Estandarizacin

Usando las deniciones anteriores, para cualquier v.a. Normal X N (, 2 ) siempre se podr obtener una v.a. Normal estndar haciendo el cambio de variable:
Z= X .

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

Este procedimiento se llama

estandarizar.

Entonces, para calcular P (X a):

53 / 69

Modelo Normal Estndar: Estandarizacin

Usando las deniciones anteriores, para cualquier v.a. Normal X N (, 2 ) siempre se podr obtener una v.a. Normal estndar haciendo el cambio de variable:
Z= X .

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

Este procedimiento se llama

estandarizar.

Entonces, para calcular P (X a):

P (X a) = P a X

54 / 69

Modelo Normal Estndar: Estandarizacin

Usando las deniciones anteriores, para cualquier v.a. Normal X N (, 2 ) siempre se podr obtener una v.a. Normal estndar haciendo el cambio de variable:
Z= X .

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

Este procedimiento se llama

estandarizar.

Entonces, para calcular P (X a):

P (X a) = = P a X a P Z

55 / 69

Modelo Normal Estndar: Estandarizacin

Usando las deniciones anteriores, para cualquier v.a. Normal X N (, 2 ) siempre se podr obtener una v.a. Normal estndar haciendo el cambio de variable:
Z= X .

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

Este procedimiento se llama

estandarizar.

Entonces, para calcular P (X a):

P (X a) = = = a X a P Z a P

56 / 69

Modelo Normal Estndar: Estandarizacin

Usando las deniciones anteriores, para cualquier v.a. Normal X N (, 2 ) siempre se podr obtener una v.a. Normal estndar haciendo el cambio de variable:
Z= X .

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

Este procedimiento se llama

estandarizar.

Entonces, para calcular P (X a):

P (X a) = = = a X a P Z a P

Solo falta evaluar

()
57 / 69

Modelo Normal Estndar: Estandarizacin

Usando las deniciones anteriores, para cualquier v.a. Normal X N (, 2 ) siempre se podr obtener una v.a. Normal estndar haciendo el cambio de variable:
Z= X .

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

Este procedimiento se llama

estandarizar.

Entonces, para calcular P (X a):

P (X a) = = = a X a P Z a P

Solo falta evaluar aproxima:

()

Usando mtodos numricos se

58 / 69

Modelo Normal Estndar: Estandarizacin

Usando las deniciones anteriores, para cualquier v.a. Normal X N (, 2 ) siempre se podr obtener una v.a. Normal estndar haciendo el cambio de variable:
Z= X .

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

Este procedimiento se llama

estandarizar.

Entonces, para calcular P (X a):

P (X a) = = = a X a P Z a P

Solo falta evaluar aproxima:TABLA

()

Usando mtodos numricos se

59 / 69

Modelo Normal: Ejemplo

Ejemplo 1.6

EST 103 Rolando de la Cruz

2

Si X es una v.a. normal con = 3 y varianza a) P (X < 11). b) P (X > 1). c) P (2 < X < 7).

= 16

, encuentre:

Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

60 / 69

Modelo Normal: Ejemplo

Ejemplo 1.6

EST 103 Rolando de la Cruz

2

Si X es una v.a. normal con = 3 y varianza a) P (X < 11). b) P (X > 1). c) P (2 < X < 7).
Ejemplo 1.7

= 16

, encuentre:

Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

El tiempo medio en realizar una misma tarea por parte de los empleados de una empresa se distribuye segn una distribucin normal, con media de 5 das y desviacin estndar 1 da. a) Calcular el porcentaje de empleados que realizan la tarea en un tiempo medio inferior a 7 das. b) Calcular el tiempo medio que realizan el 95% de los empleados.

61 / 69

Suma y Promedio de v.a. Normales

Teorema 1.4
Sean Xi , . . . , Xn v.a. normales independientes con medias 2 , i = 1, , n. Entonces: E [Xi ] = i y V [X ] = i
n n n

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

Xi N
i=1 i=1
Fcilmente se puede deducir que:

i ,
i=1

2 i

n = X

n i=1 Xi

N n

n i=1 i

n 2 i=1 i n2

Es decir, el promedio de manera normal.

variables aleatorias donde cada

una de ellas tiene distribucin normal, tambin distribuye de

62 / 69

Suma y Promedio de v.a. Normales

Del Teorema 1.4: Si

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

1 = 2 = = n =
n i=1 Xi

2 = 2 = = 2 = 2 1 n 2

(es decir, las medias y las varianzas son todas iguales) entonces

n, n 2 . De este resultado, se 2 n

puede obtener que:

n = X

n i=1 Xi

n =

En este caso, la variable estandarizada

Z=

n X
n

n ) n(X N (0, 1).

63 / 69

Suma y Diferencia de v.a. Normales

Si

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

2 ) X N (X , X

2) Y N (Y , Y

son independientes,

entonces la distribucin de la suma o diferencia de ambas variables es tambin normal con las siguientes medias y desviaciones estndar:

2 2 ) X + Y N ( X + Y , X + Y

X Y N ( X Y ,

2 X

2 Y ).

Una generalizacin de estos resultados es el teorema siguiente sobre combinacin lineal de v.a. normales.

Teorema 1.5
Sean las v.a. Xi , i = 1, . . . , n, todas ellas independientes 2 ). Sean los nmeros reales a , tales que Xi N (i , i i i = 1, . . . , n, entonces
n n n

Y =
i=1

ai Xi N
i=1

a i i ,
i=1

2 a2 i i

.
64 / 69

Suma y Diferencia de v.a. Normales: Ejemplo

Ejemplo 1.8
Un determinado establecimiento vende tres marcas diferentes de autos. Sean X1 , X2 y X3 variables aleatorias independientes normales, que representan el volumen semanal de ventas para cada una de las marcas. Las ventas medias semanales de estas marcas son 42, 60 y 78 mil dlares, respectivamente, y sus desviaciones estndar respectivas son 12, 18 y 10 mil dlares. a) Cul es la probabilidad de que la primera marca no supere los 30 mil dlares en una semana? Y la probabilidad de que la segunda marca supere en un semana la mediana de la tercera marca? b) Calcular la probabilidad de que, en una semana determinada, las ventas del establecimiento sean superiores a los 120 mil dlares.

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

65 / 69

Suma y Diferencia de v.a. Normales: Ejemplo

c)

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

d)

Cul es la probabilidad de que la suma de las ventas de la primera marca y de la tercera superen a las ventas de la segunda marca en ms de 18 mil dlares, en una semana? Cul es la probabilidad de que el promedio de las ventas de las tres marcas sea superior a 50 mil dlares, en una semana?

Ejemplo 1.9
El plstico cuesta 0.5 centavos por gramo. La gaseosa cuesta 40 centavos por litro. La cantidad (en gramos) de plstico necesario para hacer una botella de 21/4 litros tiene distribucin N (100, 102 ). La cantidad de gaseosa (en litros) que se envasa en la botella tiene distribucin N (2, 0.12 ). Cul es la probabilidad de que el costo total de una botella sea menor a 1.20 dlares?.
66 / 69

Ms Ejemplos
Ejemplo 1.10
La duracin (en horas) de cierto transistor de televisor es una variable aleatoria continua T , cuya funcin de densidad es:
f (x) =
150 t2

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

si t > 150 si t 150.

Si un televisor determinado todava funciona despus de 200 horas. Cul es la probabilidad de que dicho transistor dure a lo ms 300 horas? Se instalan tres de tales transistores en un televisor. b) Cul es la probabilidad de que ninguno tenga que ser sustituido en las primeras 200 horas de uso? c) Cul es la probabilidad de que los tres transistores tengan que ser sustituidos durante las 200 primeras horas ?
a)

67 / 69

Ms Ejemplos
d)

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

Cul es la probabilidad de que exactamente 1 tenga que ser sustituido en las 200 primeras horas de uso?

Ejemplo 1.11
La destiladora Concha y Toro produce entre 200 y 300 galones de vino diarios. La distribucion uniforme es la que mejor describe este proceso. a) Cunto vino se produce al da en promedio? b) Cul es la cantidad de variabilidad en el nmero de galones de vino producidos de un da a otro? c) En qu porcentaje de los das puede esperarse que la produccin caiga entre 220 y 270 galones? d) Cul es la probabilidad de que la produccin de maana sea mayor que 280 galones?

68 / 69

Ms Ejemplos
Ejemplo 1.12
Un fabricante utiliza un sistema automtico para llenar cajas de detergente, garantizando 5 kg por caja. Debido a las uctuaciones aleatorias del mecanismo utilizado, el peso de las cajas es una variable aleatoria con distribucin normal. Sabiendo que la probabilidad de que haya ms de 4.5 kg de detergente en la caja es 0.6255 y la probabilidad de que haya ms de 7 kg de detergente en la caja es 0.0051, a) obtener la esperanza y la desviacion estndar de la variable. b) Cul es la probabilidad de que una caja elegida al azar no llegue al peso garantizado?

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

69 / 69

Ms Ejemplos
Ejemplo 1.13
(Para la casa) El chocolate tiene una densidad de 3g/cm3 . El molde que se utiliza para fabricar barras de chocolate produce barras cuyo volumen en cm3 est distribuido normalmente con media 30 y desviacin estndar 5. Si la caja pesa 25g, cul es la probabilidad de que una caja de chocolate pese menos de 120 gramos?

EST 103 Rolando de la Cruz Modelo Uniforme Modelo Exponencial Modelo Normal Ms Ejemplos

70 / 69