Escolar Documentos
Profissional Documentos
Cultura Documentos
Contenido
☞ Empleo de la estadı́stica
≪Un gran fabricante de ropas, desea estudiar la distribución en la estatura de las
personas. Esta empresa reconoció que el público estaba en constante cambio en su
tamaño fı́sico y en sus proporciones. En un esfuerzo por producir la ropa de mejor
ajuste, la gerencia sintió que se necesitaba un análisis completo de las tendencias
actuales en los tamaños de moda. Se supone que si el fabricante fuera a medir
las estaturas de todos sus clientes potenciales, encontrarı́a que las estaturas están
distribuidas normalmente alrededor de una media de 67 pulgadas.≫
También resulta conveniente considerar como continuas las variables aleatorias que
siendo discretas se miden en una rejilla de valores tan fina, que la probabilidad de
cada valor especı́fico es despreciable. Por ejemplo, si estudiamos la deuda en la que in-
curren los estudiantes de un programa de maestrı́a, la deuda será ciertamente un número
entero de pesos. A pesar de ello, la probabilidad de que un estudiante elegido al azar
se haya endeudado en exactamente $2.345.425 es suficientemente pequeña como para
considerar la variable aleatoria como continua (compárese con el teorema 4.1.7).
A pesar de que no tiene sentido asignar probabilidad a valores especı́ficos de una variable
aleatoria continua, sı́ podemos estar interesados en la probabilidad de que la variable
pertenezca a un determinado intervalo. Por ejemplo, puede ser útil calcular la probabili-
dad de que un auto recorra entre 12 y 15 kilómetros por litro de gasolina o la probabilidad
de que la deuda de un estudiante de maestrı́a esté entre $1.000.000 y $2.000.000. Por
tanto, para caracterizar la distribución de probabilidad de una variable aleatoria continua,
1
Por ejemplo, la probabilidad de que un auto recorra exactamente 10,15 kilómetros por litro de
gasolina es igual a cero.
4.1 Distribuciones de probabilidad para variables aleatorias continuas 4
Ejemplo 4.1.2 Determine si las siguientes funciones son posibles ejemplos de densidades
de una variable aleatoria continua X.
1 x
2 , si 0 ≤ x ≤ 2, , si 0 ≤ x ≤ 2,
(a) f(x) = (b) g(x) = 5
0, de otro modo; 0, de otro modo;
e−x , si x ≥ 0, −ex , si x ≥ 0,
(c) h(x) = (d) r(x) =
0, de otro modo; 0, de otro modo;
siendo e la base del logaritmo natural.
SOLUCION:
Las funciones definidas en (a), (b) y (c) son no negativas para todo x real. En cambio, de-
bido a que r(0) = −1, podemos afirmar que la función r definida en (d) no es una densidad.
Verifiquemos si f, g y h son posibles densidades. Para ello, faltarı́a verificar la condición (b)
4.1 Distribuciones de probabilidad para variables aleatorias continuas 5
Al igual que en el caso discreto, hay muchas situaciones en los cuales deseamos calcu-
lar la probabilidad de que el valor observado de una variable aleatoria continua X sea
menor o igual a algún número real t. Escribiendo como antes F(t) = P(X ≤ t) para
cada número real t, entonces, se dice que F es la función de distribución acumulada o,
simplemente, la función de distribución de X.
Zt
F(t) = P(X ≤ t) = f(x) dx, para todo t real.
−∞
La definición anterior dice que que la distribución acumulada F de X nos da la probabilidad de que
X tome un valor en el intervalo (−∞, t], la cual es el área bajo la gráfica de la función de densidad
f (véase la figura 4.1).
SOLUCION:
(a) Consideremos varios casos:
• Tomemos cualquier t < 0. Debido a que f(x) = 0, para todo x ≤ t < 0, tenemos
que
Zt Zt
F(t) = f(x) dx = 0 dx = 0.
−∞ −∞
• Ahora, tomemos cualquier t tal que 0 ≤ t ≤ 2. Debido a que f(x) = 12 , para todo
0 ≤ x ≤ t ≤ 2, se tiene
Zt Z0 Zt Z0 Zt
1 t
F(t) = f(x) dx = f(x) dx + f(x) dx = 0 dx + dx = .
2 2
−∞ −∞ 0 −∞ 0
• Por último, escojamos un t > 2. Debido a que f(x) = 0, para todo 2 < t ≤ x, y
teniendo en cuenta la condición (b) de la definición 4.1.1, obtenemos que
Zt ∞
Z ∞
Z ∞
Z ∞
Z
F(t) = f(x) dx = f(x) dx − f(x) dx = f(x) dx − 0 dx = 1.
−∞ −∞ t −∞ t
Considerando los tres casos anteriores, podemos afirmar que la función de distribución
correspondiente de X está dada por
0, si t < 0,
F(t) = 2t , si 0 ≤ t ≤ 2,
1, si t > 2.
(b) Nos piden calcular P(X ≤ 1), que está dada por
Z1 Z0 Z1 Z0 Z1
1 1
P(X ≤ 1) = f(x) dx = f(x) dx + f(x) dx = 0 dx + dx = .
2 2
−∞ −∞ 0 −∞ 0
Observemos que esta probabilidad la podemos calcular de otra manera (sin resolver
integral y con ayuda de F):
1
P(X ≤ 1) = F(1) = .
2
4.1 Distribuciones de probabilidad para variables aleatorias continuas 7
(c) En la parte (c) nos piden calcular P(X > 1/5), que está dada por
Z2 ∞
Z Z2 ∞
Z
1 1 1 9
P(X > 1/5) = f(x) dx + f(x) dx = dx + 0 dx = 2− = .
2 2 5 10
1/5 2 1/5 2
Observe que esta probabilidad también la podemos calcular de otra manera (sin resolver
integral y nuevamente con ayuda de F):
1/5 9
P(X > 1/5) = 1 − P(X ≤ 1/5) = 1 − F(1/5) = 1 − = .
2 10
(d) Las representaciones gráficas de f y F son como se muestran en la figura 4.2.
Ejemplo 4.1.5 Sea dada la siguiente densidad de una variable aleatoria continua X (véase
el ejemplo 4.1.2c):
e−x , si x ≥ 0,
h(x) =
0, de otro modo,
siendo e la base del logaritmo natural.
(a) Construya la función de distribución F correspondiente.
(b) Calcule la probabilidad de que X tome un valor menor o igual que 5.
(c) Calcule la probabilidad de que X tome un valor mayor que −1.
(d) Grafique h y F.
SOLUCION:
Si t < 0, entonces, f(x) = 0, para todo x ≤ t < 0 y, por consiguiente, F(t) = 0. Si t ≥ 0,
entonces, la función de distribución correspondiente de X es
Zt Zt t
F(t) = h(x) dx = e−x dx = −e−x = −(e−t − e−0 ) = 1 − e−t .
0
−∞ 0
Por consiguiente,
1 − e−t , si t ≥ 0,
F(t) =
0, de otro modo.
4.1 Distribuciones de probabilidad para variables aleatorias continuas 8
En la parte (b) nos piden calcular P(X ≤ 5), que está dada por
Z0 Z5 5
P(X ≤ 5) = 0 dx + e−x dx = −e−x = −(e−5 − e−0 ) = 1 − e−5 .
0
−∞ 0
Observemos que esta probabilidad la podemos calcular de otra manera (sin resolver integral
y con ayuda de F):
P(X ≤ 5) = F(5) = 1 − e−5 .
En la parte (c) nos piden calcular P(X > −1), que está dada por
−1
Z −1
Z
P(X > −1) = 1 − P(X ≤ −1) = 1 − h(x) dx = 1 − 0 dx = 1 − 0 = 1.
−∞ −∞
Esta probabilidad también la podemos calcular de otra manera (sin resolver integral y nue-
vamente con ayuda de F):
Teorema 4.1.6 Sea X una variable aleatoria continua con función de distribución
acumulada F. Entonces,
(b) Si a y b son dos números reales con la propiedad de que a ≤ b, entonces, debe
cumplirse que F(a) ≤ F(b). Es decir, F es creciente.
Teorema 4.1.7 Sea X una variable aleatoria continua. Entonces, para todo c real
se cumple que P(X = c) = 0. Con esto, podemos verificar que
Ejemplo 4.1.8 Sea X la variable aleatoria que representa al diámetro de un agujero ta-
ladrado en un componente metálico. El diámetro especificado es 12,5 milı́metros. La
mayorı́a de las perturbaciones aleatorias del proceso resultan en diámetros mayores. Datos
históricos indican que la distribución de X puede modelarse con la función de densidad
f(x) = 20e−20(x−12,5) , si x ≥ 12, 5 y f(x) = 0, de otro modo.
(a) Si un componente con un diámetro mayor que 12,60 milı́metros se desecha, ¿qué pro-
porción de los componentes se desecha?
(b) ¿Qué proporción de los componentes tiene entre 12,5 (no inclusive) y 12,6 (inclusive)
milı́metros?
SOLUCION:
1 1 2
P(1/5 < X ≤ 1) = F(1) − F(1/5) = − = .
2 10 5
Obtención de f a partir de F
Para X discreta, la función de probabilidad se obtiene de la función de distribución
acumulada si se toma la diferencia entre dos valores (compárese con la parte (c) del
teorema ??). En el caso continuo, el procedimiento es totalmente diferente. En este
caso, bajo ciertas condiciones, la función de densidad se obtiene derivando la función de
distribución.
4.1 Distribuciones de probabilidad para variables aleatorias continuas 11
2
El punto t = 0 es el punto de referencia puesto que allı́ la recta real se “divide” en los t ≥ 0 y
los t < 0. Por esto, debemos calcular la derivada lateral de F a la derecha de t = 0 (es decir, cuando
t ≥ 0) y a la izquierda de t = 0 (es decir, cuando t < 0).
4.1 Distribuciones de probabilidad para variables aleatorias continuas 12
Definición 4.1.13 Sea p ∈ [0, 100] un número real. El p-ésimo (punto) per-
centil de la distribución F de una variable aleatoria continua X, denotado por
η(p), está definido por
η(p)
Z
p
= F η(p) = f(x) dx.
100
−∞
Notemos que la mediana µ e satisface 0, 5 = F(e µ). Esto es, la mitad del área bajo la gráfica
e.
e y la otra mitad a la derecha de µ
de la densidad de X está a la izquierda de µ
Según la definición 4.1.13, η(p) es el valor en el eje de medición, tal que p % del área
bajo la gráfica de f está a la izquierda de η(p) y p % está a la derecha. La figura 4.4
ilustra la definición 4.1.13
(a) (b)
Encuentre el valor de k.
2. La proporción de personas que responden a cierta encuesta enviada por correo es una
variable aleatoria continua X que tiene la función de densidad
2(x+1)
3 , si 0 < x < 1,
f(x) =
0, de otro modo.
3. El número total de horas, medidas en unidades de 10 horas, que una familia utiliza una
lavadora en un perı́odo de 6 meses es una variable continua X con función de densidad
x,
si 0 < x < 1,
f(x) = 2 − x si 1 ≤ x < 2,
0, de otro modo.
4. Una variable aleatoria continua X tiene una función de densidad dada por f(x) = 1/4 si
puede tomar valores entre x = 2 y x = 6; y f(x) = 0, de otra forma.
(a) Haga un bosquejo de la gráfica de f y demuestre que el área bajo la curva es igual a
1.
(b) Encuentre P(2 ≤ X < 5) y P(X > 4).
(c) Halle F y grafı́quela.
5. Suponga que la temperatura de reacción (en grados centı́grados) de cierto proceso quı́mico
es una variable aleatoria continua X con función de densidad
1 − x, si −k ≤ x ≤ k,
f(x) =
0, de otra manera.
(a) Halle el valor de k para que f sea en realidad una densidad y, luego, trace la gráfica
de f.
(b) Calcule la probabilidad de que la temperatura de reacción sea estrictamente positiva.
(c) Calcule la probabilidad de que la temperatura de reacción se encuentre entre 0 y 1/2
grados centı́grados.
4.1 Distribuciones de probabilidad para variables aleatorias continuas 14
(d) Calcule probabilidad de que la temperatura de reacción sea menor que −1/4 grados
centı́grados o mayor que 1/4 grados centı́grados.
8. Supongamos que el peso de un bebé recién nacido (en kilogramos) puede considerarse
como una variable aleatoria continua X con función de densidad f definida por
k[1 − (x − 3)2 ], si 2 ≤ x ≤ 4,
f(x) =
0, de otra manera.
es la de una variable aleatoria X que representa al esfuerzo vibratorio (en libras por pulgadas
cuadradas) en la aleta de un abanico, a una velocidad particular.
4.2 Esperanza y varianza de una variable aleatoria continua 15
(a) Grafique F.
(b) Determine la función de densidad f de X y grafı́quela.
(c) Determine la probabilidad de que la duración de tal baterı́a exceda 50 horas.
Definición 4.2.1 Sea X una variable aleatoria continua definida sobre un espacio
muestral Ω y sea f la función de densidad de X. Entonces, la esperanza ( valor
esperado o media) de X, simbolizada por µ o E(X), se define como
∞
Z
µ = E(X) = x · f(x) dx,
−∞
Ejemplo 4.2.2 Dada la siguiente densidad de una variable aleatoria continua X (véase el
ejemplo 4.1.2a):
1
, si 0 ≤ x ≤ 2,
f(x) = 2
0, de otro modo,
4.2 Esperanza y varianza de una variable aleatoria continua 16
Teorema 4.2.4 Sea X una variable aleatoria continua definida sobre un espacio
muestral Ω. Sea f la función de densidad de X. Entonces, la esperanza o media
de cualquier función h(X) de X, simbolizada por E h(X) , se define como
∞
Z
E h(X) = h(x) · f(x) dx,
−∞
Ejemplo 4.2.5 Dos especies compiten en una región para controlar una limitada cantidad
de cierto recurso. Sea X la variable aleatoria que representa a “la proporción del recurso
controlado por la especie 1” y suponga que X tiene densidad de probabilidad f dada por
1, si 0 ≤ x ≤ 1;
f(x) =
0, de otra manera.
3
La fórmula del método de integración por partes es
Z Z
u dv = uv − v du.
4
Análogo al caso discreto, toda función h(X) de una variable aleatoria continua X es también
una variable aleatoria continua.
4.2 Esperanza y varianza de una variable aleatoria continua 17
Ası́, la especie que controla la mayor parte de este recurso controla la cantidad
1 − X, si 0 ≤ X ≤ 21 ;
h(X) = Máximo entre X y X − 1 =
X, si 21 ≤ X ≤ 1.
Entonces, el valor
∞
Z 1/2
Z Z1
3
E h(X) = (Máximo entre x y x − 1) · f(x) dx = (1 − x) · 1 dx + x · 1 dx =
4
−∞ 0 1/2
Reglas de la esperanza
En el teorema ?? hemos estudiando algunas reglas básicas para calcular la esperanza
de la función lineal h(X) = aX + b, donde a y b son números reales fijos, pero para el
caso en que X sea una variable aleatoria discreta. Cuando X es continua, las reglas son
exactamente las mismas, como se muestra en el siguiente teorema:
Teorema 4.2.6 Sean X una variable aleatoria continua definida sobre un espacio
muestral Ω y a, b números reales fijos. Entonces,
Ejemplo 4.2.7 Una persona estima que, si las temperaturas son las que cabe esperar, su
factura de calefacción de febrero, X (en pesos) será de X = 29.000 − 1.000T , donde T es la
temperatura media mensual (en grados centı́grados). Suponiendo que podemos representar
la temperatura del mes de febrero mediante una variable aleatoria con media de 6 grados
centı́grados, encontrar la media de la factura de calefacción de esta persona.
SOLUCION:
Tenemos que E(T ) = 6. Por tanto la esperanza de la factura de calefacción será
Definición 4.2.8 Sea X una variable aleatoria continua definida sobre un espacio
muestral Ω. Sean f y µ la función de densidad y esperanza de X, respectivamente.
Entonces, la varianza de X, simbolizada por σ2 o V(X), se define como
∞
Z
2
σ = V(X) = (x − µ)2 · f(x) dx,
−∞
Al igual que el en caso discreto, podemos verificar que la varianza de X, cuando ésta es
continua, también la podemos calcular de la siguiente manera (compárese con la definición ??):
2
V (X) = E (X − µ)2 = E(X2 ) − E(X) .
Ejemplo 4.2.9 Sea X la variable aleatoria con densidad de probabilidad f dada en el ejem-
plo 4.2.2. En ese ejemplo calculamos que E(X) = 1. Como
∞ Z2
1 x3 2
Z
2 2 x2 1 4
E(X ) = x · f(x) dx = dx = · = (8 − 0) = ,
2 2 3 0 6 3
−∞ 0
Teorema 4.2.11 Sea X una variable aleatoria continua definida sobre un espa-
cio muestral Ω. Sea f la función de densidad de X. Entonces,
la varianza de
cualquier función h(X) de X, simbolizada por V h(X) , se define como
∞
Z
2
V h(X) = h(x) − E h(X) · f(x) dx,
−∞
∞
Z 1/2
Z Z1
2
2 2 7
E [h(X)] = (Máximo entre x y x − 1) ·f(x) dx = (1−x) ·1 dx + x2 ·1 dx = ,
12
−∞ 0 1/2
Reglas de la varianza
Al igual que en el caso discreto, cuando h(X) es una función lineal de la forma h(X) =
aX + b, donde a y b son números reales fijos y X es una variable aleatoria continua,
V h(X) también se calcula fácilmente a partir de V(X) (comparése con el teorema ??).
Teorema 4.2.13 Sean X una variable aleatoria continua definida sobre un espacio
muestral Ω y a, b números reales fijos. Entonces,
Observe que las partes (a) y (b) dicen que la inclusión de la constante b no afecta la varianza, lo
cual es intuitivo porque la suma (o la resta) de una constante b cambia la ubicación (valor medio),
pero no la dispersión de los datos . Además, la razón para el valor absoluto de a en la parte (c)
4.2 Esperanza y varianza de una variable aleatoria continua 20
es que a puede ser negativa, mientras que la desviación estándar no puede ser negativa (compárese
con las observaciones dadas en el teorema ??).
1
P(|X − kσ| ≤ µ) ≥ 1 − ,
k2
para cualquier número k > 1. Si X tiene más o menos una función de densidad con
forma de campana, entonces,
Ejemplo 4.2.16 Una variable aleatoria X continua tiene una media µ = 8, varianza σ2 = 9
y distribución de probabilidad desconocida. Entonces,
15
P(−4 < X < 20) = P 8 − (4)(3) < X < 8 + (4)(3) ≥ . ◭
16
Al igual que en el caso, discreto, la regla de Tchebychev tiene validez para cualquier
distribución de observaciones y, por esta razón, los resultados por lo general son débiles.
El valor que la regla proporciona es sólo un lı́mite inferior. Es decir, sabemos que
la probabilidad de una variable aleatoria que cae dentro de dos desviaciones estándar
de la media no puede ser menor que 3/4, pero nunca sabemos cuánto podrı́a ser en
realidad. Sólo cuando se conoce la distribución de probabilidad podemos determinar
probabilidades exactas.
4.2 Esperanza y varianza de una variable aleatoria continua 21
12. ¿Qué proporción de personas se puede esperar que respondan cierta encuesta que se envı́a
por correo si la proporción X tiene la función de densidad como en el ejercicio 2? ¿Cuál
es la varianza de X?
13. Encuentre la esperanza de una variable aleatoria X, que representa las mediciones codi-
ficadas del diámetro de paso de los alambres de un circuito y cuya función de densidad
es
4
2 , si 0 < x < 1,
f(x) = π(1+x )
0, de otro modo.
14. Considere la situación en el ejemplo 3. Encuentre el número promedio de horas por cada
6 meses que las familias utilizan sus lavadoras y la desviación estándar de X.
15. Un vendedor recibe un salario anual de 12.000.000 de pesos, más un 5% del valor de
las ventas que realiza. Las ventas anuales pueden representarse mediante una variable
aleatoria con media 20.000.000 de pesos y desviación tı́pica de 2.000.000 de pesos. Halle
la media y la desviación del ingreso anual de este vendedor.
16. El tiempo, en minutos, para que un aeroplano obtenga vı́a libre para aterrizar en cierto
aeropuerto es una variable aleatoria Y = 5X − 3, donde X tiene la función de densidad
2e−2x , si x > 0,
f(x) =
0, de otro modo.
Si muchas personas van al hospital para recibir el tratamiento de dicha enfermedad, ¿cuál
es el número promedio de dı́as de hospitaliación por persona?
4.2 Esperanza y varianza de una variable aleatoria continua 22
19. Una persona desea marcar una región circular de muestreo de 10 metros de radio con
la idea de mandar a construir un pequeño kiosko. Sin embargo, el radio de la región
resultante es en realidad una variable aleatoria R con función de densidad
3
[1 − (10 − r)2 ], si 9 ≤ r ≤ 11,
f(r) = 4
0, de otro modo.
22. El tiempo de culminación X de cierto proyecto financiero tiene una función de distribución
acumulada F dada por
0, si t < 0,
t3 ,
3 si 0 ≤ t < 1,
F(t) = 1
1 − 24 (7 − 3t)2
, si 1 ≤ t ≤ 73 ,
1, de otra forma.
23. El tiempo de reacción a cierto medicamento (en minutos) es una variable aleatoria continua
X con función de densidad
3
2, si 1 ≤ x ≤ 3,
f(x) = 2x
0, de otra forma.
a+b (a − b)2
µ= , V (X) = .
2 12
Ejemplo 4.3.2 Un punto de fusión X de un cierto espécimen puede ser considerado como
una variable aleatoria continua que está uniformemente distribuı́da sobre el intervalo [110, 120].
En este caso, a = 110 y b = 120 (estos valores se podrı́an colocar en la figura 4.5a). Por lo
4.3 La distribución uniforme (continua) 24
tanto, la probabilidad de que tal espécimen se derrita entre 112 y 115 grados es
115
Z
dx 3
P(112 ≤ X ≤ 115) = = = 0, 3.
10 10
112
27. Suponga que para trasladarse a la universidad, un profesor debe abordar primero un bús
cerca de su casa y después transbordar otro. Si el tiempo de espera (en minutos) en cada
parada tiene una distribución uniforme continua en el intervalo [0, 5], entonces, se puede
demostrar que el tiempo total de espera X del profesor tiene la función de densidad
x
25 ,
si 0 ≤ x ≤ 5,
2 x
f(x) = 5 − 25 , si 5 ≤ x ≤ 10,
0, de otra manera.
28. Un consultor sabe que le costará 10 millones de pesos cumplir determinado contrato. El
contrato va a ser subastado y el consultor opina que la oferta más baja, excluyendo la
suya, se puede representar mediante una distribución uniforme entre 8 y 20 millones de
pesos.
(a) ¿Cuál es la probabilidad de que haya alguna oferta más baja que el costo estimado
de 10 millones de pesos?
(b) Si el consultor hace una oferta de 12 millones de pesos, ¿cuál es la probabilidad de
que consiga el contrato?
(c) Si el consultor decide hacer una oferta por 12 millones de pesos, ¿cuál es el beneficio
esperado de esta estrategia?
(d) Si el consultor quiere hacer una oferta que le reporte el máximo beneficio esperado,
discutir cómo deberı́a proceder?
29. Considere la función de densidad f definida en el ejercicio 27.
(a) Halla la función de distribución acumulada F de X.
(b) Obtenga una expresión para el p-ésimo punto percentil.
(c) Calcule la esperanza y la varianza de X. ¿Cómo se comparan con el tiempo esperado
y la varianza de un solo bús cuando el tiempo está uniformemente distribuido en el
intervalo [0, 5].
Definición 4.4.1 Una variable aleatoria tiene distribución normal con los pa-
rámetros µ ∈ R y σ2 > 0 si y sólo si su densidad de probabilidad está dada por
1 (x−µ) 2
−
ϕ(x; µ, σ) := f(x) = √ e 2σ 2 , para todo x ∈ R,
2πσ2
siendo e la base del logaritmo natural. Esta función f es conocida como la densidad
normal. La función de distribución acumulada correspondiente (que simbolizare-
mos como Φ) se define como
Zt
Φ(t; µ, σ) = F(t) = P(X ≤ t) = φ(x; µ, σ) dx.
−∞
Ejemplo 4.4.2 Suponga que los diámetros de bolas de golf producidas por una compañı́a
están normalmente distribuı́das con µ = 1, 96 pulgadas y σ = 0, 04 pulgadas. Una bola de
golf se considera defectuosa si su diámetro es menor que 1,90 pulgadas o más grande que
2, 02 pulgadas. Ahora, debido a que
2. Hay toda una familia de distribuciones normales. Cada distribución normal es-
pecı́fica se distingue por su esperanza µ y su desviación estándar σ (compárese
con la figura 4.6).
De ahora en adelante, utilizaremos siempre la letra Z para representar a una variable aleatoria que
tiene distribución normal estándar y convendremos que
Fig. 4.7: Las áreas de las regiones I y II son iguales en la distibución normal estándar
• Supongamos que queremos encontrar Φ(2, 91) = P(Z ≤ 2, 91). Para ello, primero
localizamos 2,9 en la columna izquierda de la tabla, y después localizamos a 0, 01
en el renglón superior. Buscando en el interior de la tabla, vemos que el renglón
de 2,9 y la columna de 0,01 se intersecan en el valor 0, 9982. Por consiguiente,
hemos determinado la probabilidad que buscábamos: Φ(2, 91) = 0, 9982. A
4.4 La distribución normal 29
continuación, en la tabla 4.1 se presenta una parte de esa tabla, donde se muestra
la probabilidad pedida.
• Siguiendo el mismo método, podemos determinar Φ(−1, 33). Primero encon-
tramos el renglón de −1, 3 y después avanzamos por él hasta la columna de 0, 03.
Allı́ vemos que Φ(−1, 33) = 0, 918.
• Observe que hay valores de Z que no aparecen en la tabla (como por ejemplo, 3,5 y
−4, 2). En este caso, debemos aproximar a 0 las probabilidades correspondientes
a los valores negativos y a 1, las probabilidades correspondientes a los valores
positivos. Por ejemplo, Φ(3, 5) ≈ 1 y Φ(−4, 2) ≈ 0.
Ejemplo 4.4.4 Encuentre las probabilidades siguientes asociadas con la distribución nor-
mal estándar, usando la tabla normal (véase la tabla ?? del apéndice): P(−1, 34 ≤ Z ≤ 1, 68)
y P(Z ≥ 1, 68).
SOLUCION:
Teniendo en cuenta la tabla normal del apéndice y algunas propiedades vistas anteriormente,
encontramos que
Teorema 4.4.5 Sea X una variable aleatoria que tiene distribución normal con
parámetros µ y σ2. Entonces,
Ejemplo 4.4.6 Una compañı́a fabrica focos con vida media de 500 horas y desviación
estándar de 100. Si se supone que los tiempos de vida útil de los focos se distribuyen
normalmente, esto es que los tiempos de vida forman una distribución normal, encuentre la
probabilidad de que cierta cantidad de focos duren entre 650 y 780 horas.
SOLUCION:
Sea X la variable aleatoria que representa al “tiempo de vida útil de los focos”. Nos piden
calcular P(650 ≤ X ≤ 780). Del problema, sabemos que X es una variable aleatoria normal
con esperanza µ = 500 y desviación estándar σ = 100. Por consiguiente, hallaremos la
probabilidad pedida aplicando el teorema 4.4.5 y con ayuda de la variable Z.
780 − 500 650 − 500
P(650 ≤ X ≤ 780) = Φ −Φ
100 100
= Φ(2, 80) − Φ(1, 5) = 0, 9974 − 0, 9332 = 0, 0642.
4.4 La distribución normal 31
O sea, la probabilidad de que cierta cantidad de focos duren entre 650 y 780 horas es
aproximadamente 0,0642. ◭
y
110 − 120 105 − 120
P(105 ≤ X ≤ 110) = Φ −Φ
20 20
= Φ(−0, 5) − Φ(−0, 75) = 0, 3085 − 0, 2266 = 0, 0819. ◭
Ejemplo 4.4.8 Durante un perı́odo largo, se ha determinado que el 70% de los abogados
que presentan el examen de la barra de abogados lo aprueban. De 500 abogados que pre-
sentan el examen siguiente, encuentre la probabilidad de que al menos 370 de ellos pasen.
SOLUCION:
Sea X la variable aleatoria que representa al “número de abogados que pasan el examen”.
Nos piden calcular P(X ≥ 370). Observe que X es una variable binomial con los parámetros
n = 500 y p = 70% = 0, 7. Entonces,
Debido a que n = 500 es muy grande (observe que es mayor que 25) no podemos calcular el
valor de B(369; 500, 0, 7) con ayuda de la tabla ?? del apéndice, lo cual nos impide terminar
por completo el ejercicio. Por consiguiente, tenemos que buscar otra alternativa para cal-
cular la probabilidad pedida y será con ayuda de la definición de función de probabilidad.
Recordemos que, en este caso, la función de probabilidad de X está dada por
500 k 500−k
k (0, 7) (0, 3) , si k = 0, 1, 2, . . . , 500;
b(k; 500; 0, 7) =
0, de otra manera.
4.4 La distribución normal 32
Por consiguiente,
500
X
P(X ≥ 370) = b(k; 500; 0, 7)
k=370
= b(370; 500; 0, 7) + b(371; 500; 0, 7) + · · · + b(500; 500; 0, 7).
Es decir, para calcular P(X ≥ 370) necesitarı́amos usar 131 veces la fórmula de probabilidad
binomial. Intentemos calcular b(370; 500, 0, 7). Reemplazando, obtenemos
b(370; 500; 0, 7) = 500
370 (0, 7)
370
(0, 3)500−370 .
Ahora, tratamos de encontrar el coeficiente binomial
500 500!
= .
370 370! 130!
Una calculadora manual no nos ayudará en este cálculo, y no deberá sorprendernos que
el computador personal tampoco lo haga. Más adelante, en el ejemplo 4.4.14, usaremos
una distribución normal para ayudarnos a aproximar la probabilidad de que al menos 370
abogados aprueben el examen de barras. ◭
Ejemplo 4.4.10 En la figura 4.9 presentamos un histograma construido con datos bino-
miales para n = 20 y p = 0, 3. En esa figura, la probabilidad de que X = x es igual al área
del rectángulo centrado en x. Por ejemplo, la probabilidad de que X = 8 es igual al área
del rectángulo centrado en 8. Podemos ver que este rectángulo se extiende de 7,5 a 8,5. Si
consultamos la tabla binomial (véase la tabla ?? del apéndice), encontramos que esta área
es igual a 0,1144. En la figura 4.9(a) aparece sombreada el área correspondiente.
6
Téngase en cuenta la observación que está después del ejemplo 4.4.11.
4.4 La distribución normal 33
Ejemplo 4.4.11 Utilicemos el ejemplo anterior para hallar P(5 ≤ X ≤ 10). Utilizando
probabilidades binomiales, mediante la tabla binomial, encontramos que la respuesta es
0,7454. El área correspondiente aparece sombreada en la figura 4.10(a).
Por medio de la aproximación normal con µ = np = 6 y σ2 = np(1 − p) = 4, 2 y utilizando
la tabla normal (véase la tabla ?? del apéndice), obtenemos que
10, 5 − 6 4, 5 − 6
P(4, 5 ≤ X ≤ 10, 5) = Φ √ −Φ √ = 0, 9861 − 0, 2327 = 0, 7534.
4, 2 4, 2
El área bajo la curva normal correspondiente a P(7, 5 ≤ X ≤ 8, 5) aparece sombreada en
la figura 4.10(b). Nuevamente, vemos que la aproximación normal da un resultado muy
cercano a la probabilidad exacta. Si no hubiéramos utilizado la corrección de continuidad,
la aproximación normal hubiera dado
10 − 6 5−6
P(5 ≤ X ≤ 10) = Φ √ −Φ √ = 0, 9744 − 0, 3121 = 0, 6623.
4, 2 4, 2
4.4 La distribución normal 34
(a) P(5 ≤ X ≤ 10) usando probabilidades (b) P(4, 5 ≤ X ≤ 10, 5) usando aproxi-
binomiales. mación normal.
Vemos que esta aproximación no está tan cercana a la probabilidad verdadera de 0,7454
como la aproximación obtenida empleando la corrección de continuidad. ◭
SOLUCION:
Sea X la variable aleatoria que representa el “número de productos rechazados”. Entonces,
X es una variable binomial con parámetros n = 800 y p = 0, 04. Como n ≥ 30, entonces,7
por el teorema 4.4.9(b), la distribución binomial se puede aproximar por la distribución
normal con µ = np = 32 y σ2 = np(1 − p) = 30, 72. Por consiguiente, teniendo en cuenta
el teorema 4.4.12, encontramos que
34 + 0, 5 − 32
P(X < 35) = P(X ≤ 34) = B(34; 800; 0, 04) ≈ Φ √ = Φ(0, 45) = 0, 6736.
30, 72
Por consiguiente, la probabilidad aproximada de que menos de 35 unidades sean rechazadas
es aproximadamente 0,6736. ◭
Ejemplo 4.4.14 Encuentre P(X ≥ 370) para el experimento binomial analizado en el ejem-
plo 4.4.8, donde n = 500 y p = 0, 70.
SOLUCION:
Como n ≥ 30, entonces, por el teorema 4.4.9(b), la distribución binomial se puede aproximar
por la distribución normal con µ = np = 350 y σ2 = np(1 − p) = 150. Por consiguiente,
teniendo en cuenta el teorema 4.4.12, encontramos que
Ejemplo 4.4.15 Un vendedor contacta telefónicamente con clientes potenciales para es-
tudiar si merece la pena una visita a domicilio. Su experiencia le indica que el 40% de
sus contactos por teléfono vienen seguidos de una visita a domicilio. Si contacta con 100
personas por teléfono, ¿cuál es la probabilidad aproximada de que se realicen entre 45 y 50
visitas (inclusives) como resultado?
SOLUCION:
Sea X la variable aleatoria que represena al “número de visitas a domicilio”. Entonces, X
es una variable binomial con parámetros n = 100 y p = 0, 4. Como n ≥ 30, entonces, por
el teorema 4.4.9(b), la distribución binomial se puede aproximar por la distribución normal
con µ = np = 40 y σ2 = np(1 − p) = 24. Por consiguiente, por el teorema 4.4.12, se obtiene
que
P(45 ≤ X ≤ 50) = P(X ≤ 50) − P(X ≤ 44) = B(50; 100; 0, 4) − B(44; 100; 0, 4)
50 + 0, 5 − 40 44 + 0, 5 − 40
≈ Φ √ −Φ √
24 24
= Φ(2, 14) − Φ(0, 92) = 0, 9838 − 0, 8212 = 0, 1626. ◭
7
Observemos que también podemos aplicar la parte (b) del teorema, puesto que se cumplen que
np = 32 ≥ 5 y n(1 − p) = 768 ≥ 5.
4.4 La distribución normal 36
(c) Liptocúrtica.
32. Si X es una variable normal con media 90 y desviación estándar 20, calcule las siguientes
probabilidades.
(a) P(X ≤ 100). (b) P(X ≤ 80). (c) P(65 ≤ X ≤ 100).
(d) P(80 ≤ X). (e) P(85 ≤ X ≤ 95). (f) P(|X − 90| ≤ 10).
33. Dada una distribución normal estándar, encuentre el área bajo la curva que está
(a) a la izquierda de Z = 2, 43; (b) a la derecha de Z = −1, 89;
(c) entre Z = −1, 16 y Z = −0, 64; (d) a la izquierda de z = −1, 03;
(e) a la derecha de Z = 0, 96; (f) entre Z = −1, 48 y Z = 1, 35.
34. Encuentre los siguientes puntos percentiles para la distribución normal estándar e interprete
cada uno de sus resultados: 91-ésimo, 9-ésimo, 75-ésimo, 25-ésimo, 6-ésimo.
35. Se regula una máquina despachadora de café para que sirva un promedio de 200 mililitros
por vaso. Si la cantidad de bebida se distribuye normalmente con una desviación estándar
de 15 mililitros,
(a) ¿qué fracción de los vasos contendrán más de 191 mililitros?
(b) ¿Cuál es la probabilidad de que un vaso contenga entre 209 y 224 mililitros?
(c) ¿Cuántos vasos probablemente se derramarán si se utilizan vasos de 230 mililitros
para las siguientes 1.000 bebidas?
(d) ¿Por debajo de qué valor obtendremos un 25% de las bebidas más pequeñas?
36. Un investigador cientı́fico reporta que unos cocodrilos vivirán un promedio de 40 meses
cuando sus dietas se restringen drásticamente y después se enriquecen con vitaminas y
proteı́nas. Suponga que la vida de tales cocodrilos se distribuyen normalmente con una
desviación estándar de 6,3 meses, encuentre la probabilidad de que un cocodrilo dado viva
(a) más de 37 meses; (b) menos de 49 meses; (c) entre 37 y 49 meses.
37. La vida promedio de cierta maquinaria eléctrica es 10 años con una desviación estándar
de dos años. El fabricante reemplaza gratis todas las maquinarias que fallen dentro del
tiempo de garantı́a. Si está dispuesto a reemplazar sólo 3% de las maquinarias que fallan
y si la duración de una maquinaria sigue una distribución normal, ¿de qué duración debe
ser la garantı́a que ofrezca?
38. Los coeficientes de inteligencia de 600 aspirantes a cierta beca escolar en una universidad
extranjera se distribuyen aproximadamente normal con media de 115 y desviación estándar
de 12. Si la universidad requiere un coeficiente de inteligencia de al menos 95, ¿cuántos
de estos aspirantes serán rechazados sobre esta base sin importar sus otras calificaciones?
39. Un ejecutivo de una cadena de televisión está estudiando propuestas para nuevas series.
A su juicio, la probabilidad de que una serie tenga una audiencia mayor que 17,8 es 0,25.
Además, la probabilidad de que la serie tenga una audiencia mayor que 19,2 es 0,15.
Si la incertidumbre de este ejecutivo puede representarse mediante una variable aleatoria
normal, ¿cuál es la media y la desviación tı́pica de esta distribución?
40. Si el diámetro de una llanta de cierto tipo de auto está normalmente distribuı́do, ¿cuál es
la probabilidad de que el diámetro de una llanta seleccionado al azar esté (a) dentro de
1,5, (b) a más de 2,5, (c) entre 1 y 2 desviaciones estándar de su valor medio?
41. Supóngase que el contenido real de frascos para cierto tipo de vacuna está distribuido
normalmente con media de 137,2 gramos y una desviación estándar de 1,6 gramos. El
contenido establecido era 135 gramos.
(a) ¿Cuál es la probabilidad de que un solo frasco contenga más que el contenido estable-
cido?
4.4 La distribución normal 39
(b) Entre 10 frascos seleccionados al azar, ¿cuál es la probabilidad de que por lo menos
8 contengan más del contenido establecido?
(c) Si se supone que la media permanece en 137,2 gramos, ¿a qué valor tendrı́a que
haberse cambiado la desviación estándar para que 95% de todos los frascos contengan
más de lo establecido?
42. Una determinada empresa puede comprar materia prima a dos proveedores diferentes y
está interesada en el contenido de impurezas del producto. Una revisión de los registros
de cada proveedor indica que los niveles de impurezas contenidos en sendas remesas
de producto siguen distribuciones normales con media y desviación tı́pica contenidas en
la tabla de abajo. La empresa está especialmente preocupada porque el contenido de
impurezas no exceda el 4%, y comprará al proveedor que con más probabilidad cumpla
con este requisito. ¿Qué proveedor habrá que elegir?
43. Un grupo grande de alumnos hace un examen de estadı́stica. Las notas se distribuyen
según una normal de media 3,5. Además, la probabilidad de que un alumno elegido al
azar obtenga una nota menor que 4,2 es 0,7580. Se eligen dos estudiantes al azar, ¿cuál
es la probabilidad de que al menos uno de ellos obtenga más de 4,0 en el examen.
44. Supongamos que el peso de paquetes enviados de cierto modo es una variable aleatoria
con distribución normal con valor medio de 10 libras y desviación estándar de 2 libras. El
servicio de paqueterı́a desea establecer un valor de peso k, más allá del cual habrá cargo
extra. ¿Cuál valor de k es tal que 99% de todos los paquetes pesen por lo menos 1 libra
abajo del peso con cargo extra?
45. La probabilidad de que un estudiante universitario fume en cierta ciudad es 0,9. De los
siguientes 100 estudiantes encuestados, determine la probabilidad de que (a) entre 83 (no
inclusive) y 95 (inclusive) fumen, (b) por lo menos 14 no fumen.
46. Una determinada empresa produce circuitos eléctricos para un computador. Las especifi-
caciones de las partes sugieren que 95% de los circuitos cumplen con las especificaciones.
Las partes se embarcan en lotes de 100 a los clientes.
(a) ¿Cuál es la probabilidad de que más de 2 circuitos estén defectuosos en un lote dado?
(b) ¿Cuál es la probabilidad de que más de 10 circuitos estén defectuosos en un lote?
(c) ¿Cuál es la probabilidad de que más de 9 circuitos no estén defectuosos en un lote?
47. Suponga que 90% de todas los trabajadores que hay en una determinada empresa no
fuman. Considere una muestra aleatoria de 200 trabajadores y represente con X a la
cantidad de trabajadores que fuman. ¿Cuál es la probabilidad aproximada de que X (a)
sea a lo sumo 30? (b) sea más de 30? (c) esté entre 15 (inclusive) y 25 (no inclusive)?
48. Suponga que sólo 80% de todos las personas mayores de 18 años que viven en cierto
pueblo cerca del mar saben nadar. Se selecciona al azar una muestra de 200 personas
mayores de 18 años del pueblo. ¿Cuál es la probabilidad de que
(a) entre 50 y 100 (ambos inclusive) de las personas mayores de 18 años del pueblo no
sepan nadar?
(b) menos de 140 de las personas mayores de 18 años del pueblo sepan nadar? ¿Y más
de 150?
4.5 Las distribuciones gamma y exponencial 40
Las propiedades más importantes de la función gamma son las que se presentan en el
siguiente
8
Más adelante veremos que la distribución exponencial es un caso especial de la distribución
gamma.
4.5 Las distribuciones gamma y exponencial 41
∞
R
Ejemplo 4.5.3 Evalúe la integral e−t t3 dt.
0
SOLUCION:
Evaluar esta integral con los métodos de fundamentos de cálculo precisa de aplicaciones
repetidas de integración por partes o por el método de integración tabular. A fin de evaluar
rápidamente la integral, se tendrá en cuenta la definición 4.5.1 y luego se aplicará el teorema
4.5.2:
∞
Z ∞
Z
−t 3
e t dt = e−t t4−1 dt = Γ (4) = 3! = 6. ◭
0 0
Ejemplo 4.5.4 Verifique que la siguiente la función f es una densidad de una variable
aleatoria continua X:
1 −x/3 2
e x para x > 0
f(x) =: 54
0, de otra manera.
SOLUCION:
Debido a f(x) ≥ 0 para todo x ∈ R, sólo debemos probar que
∞
Z ∞
Z
1 −x/3 2
f(x) dx = e x dx = 1.
54
−∞ 0
Para evaluar la segunda integral, se realiza un cambio de variable, técnica de amplio uso en
la obtención de propiedades de la distribución gamma. En particular, sea t = x/3, de donde
dx = 3dt. Ahora, teniendo en cuenta esta sustitución, la definición 4.5.1 y el teorema 4.5.2,
se tiene que
∞
Z ∞
Z ∞
Z
1 −x/3 2 1 −t 1 −t 2 1 2!
e x dx = e (3t)2 3 dx = e t dx = Γ (3) = = 1. ◭
54 54 2 2 2
0 0 0
La distribución gamma
Ahora es posible definir la distribución gamma.
La figura 4.12 ilustra las gráficas de la función de densidad gamma f para diferentes
valores de los parámetros α y β.
(a) α = 1, 2, 3 y β = 1.
(b) α = 2 y β = 2, 1, 12 .
Definición 4.5.7 Sea X una variable aleatoria que tiene distribución gamma
estándar con parámetro α. La función de distribución acumulada F de X, dada
por
Zt
1
F(t; α) = e−x xα−1 dx, x > 0,
Γ (α)
0
Hay tablas muy completas para la función gamma incompleta. En el apéndice presentamos
una pequeña tabulación de esta función para α = 1, 2, . . . , 10 y x = 1, 2, . . . , 15 (véase la tabla ??
del apéndice).
Teorema 4.5.9 Sea X una variable aleatoria que tiene distribución gamma con
parámetros α y β. Si F es la función gamma incompleta de una variable aleatoria
gamma estándar con parámetro α, entonces, para todo t > 0, se cumple que
t
P(X ≤ t) = F ;α .
β
Teorema 4.5.11 Se X una variable aleatoria que tiene distribución gamma con
parámetros α y β. Entonces, E(X) = αβ y V(X) = αβ2.
Ejemplo 4.5.12 Sea X como en el ejemplo 4.5.8. Entonces, el tiempo esperado de super-
viviencia
√ es E(X) = 8 · 15 = 120 semanas, en tanto que σ2 = V(X) = 8 · 152 = 1.800 y
σ = 1.800 = 42, 43 semanas. ◭
Ejemplo 4.5.13 Supongamos que la experiencia demuestra que el tiempo X (en minutos)
necesario para dar mantenimiento periódico a un dictáfono sigue una distribución gamma
con α = 3, 1 y β = 2. A un nuevo técnico en mantenimiento le toma 22,5 minutos revisar la
máquina. ¿Concuerda este tiempo utilizado en el mantenimiento al dictáfono con el perı́odo
anterior?
SOLUCION:
La media y varianza de los tiempos de mantenimiento (con base en la experiencia anterior)
son, de acuerdo con el teorema 4.5.11:
1
P(|X − 6, 2| ≤ 16, 3) = P(|X − µ| ≤ 4, 63σ) ≥ 1 − = 0, 9534.
(4, 63)2
Por lo tanto,
La distribución exponencial
Finalizamos este capı́tulo introduciendo otra distribución continua, la distribución expo-
nencial. Esta distribución resulta de gran utilidad para resolver problemas de listas de
espera y colas. Cuando el tiempo de servicio a un cliente es aleatorio, esta incertidumbre
4.5 Las distribuciones gamma y exponencial 45
Ejemplo 4.5.17 Suponga que un sistema contiene cierto tipo de componente cuyos tiempo
de falla en años está dado por X. La variable aleatoria X se modela mediante la distribución
exponencial con tiempo medio para la falla λ = 1/5. Si se instalan cinco de estos compo-
nentes en diferentes sistemas, ¿cuál es la probabilidad de que al menos dos aún funcionen al
final de ocho años?
SOLUCION:
La probabilidad de que un componente dado aún funcione después de ocho años está dad
por
P(X > 8) = e−8/5 ≈ 0, 2.
Sea Y la variable aleatoria que representa al número de componentes que funcionan después
de ocho años. Entonces, con el uso de la tabla de la distribución binomial con parámetros
n = 5 y p = P(X > 8) = 0, 2, tenemos
Consideremos ahora la variable aleatoria descrita por el tiempo que se requiere para que
ocurra el primer evento. Con el uso de la distribución de Poisson, encontramos que la
probabilidad de que no ocurra algún evento, en el perı́ odo hasta el tiempo t está dada
por
e−λt(λt)0
P(0; λt) = = e−λt.
0!
Podemos utilizar ahora lo anterior y hacer que X sea el tiempo para el primer evento de
Poisson. La probabilidad de que la duración del tiempo hasta el primer evento exceda
x es la misma que la probabilidad de que no ocurra algún evento de Poisson en x. Esto
último, por supuesto, está dado por e−λx. Como resultado,
P(X ≥ x) = e−λx.
P(0 ≤ X ≤ x) = 1 − e−λx,
Ejemplo 4.5.20 Suponga que se reciben llamadas en una lı́nea telefónica de emergencias
las 24 horas del dı́a, según un porceso de Poisson con tasa λ = 0, 5 llamadas por dı́a.
Entonces, el número de dı́as X entre llamadas sucesivas tiene una distribución exponencial
con parámetro de 0,5, por lo que la probabilidad de que transcurran más de dos dı́as entre
llamadas es
P(X > 2) = 1 − P(X ≤ 2) = e−(0,5)(2) = 0, 368.
El tiempo esperado entre llamadas sucesivas es 1/0, 5 = 2 dı́as. ◭
Ejemplo 4.5.21 Suponga que las llamadas telefónicas que llegan a un conmutador particu-
lar siguen un proceso de Poisson con un promedio de cinco llamadas que llegan por minuto.
¿Cuál es la probabilidad de que pase más de un minuto hasta que lleguen dos llamadas al
conmutador?
SOLUCION:
El proceso de Poisson se aplica al tiempo que pasa hasta la ocurrencia de dos eventos de
Poisson que siguen una distribución gamma con α = 2 y β = 1/5. Sea X la variable aleatoria
que representa el tiempo en minutos que transcurre antes que lleguen dos llamadas. La
probabilidad que se requiere está dada por
1
P(X ≤ 1) = F ; 2 = F(5; 2) = 0, 960,
1/5
61. Sea X la distancia en centı́metros que un estudiante de bachillerato puede saltar en una
prueba de salto largo. Suponga que X tiene una distribución exponencial con parámetro
λ = 0, 01386.
(a) ¿Cuál es la probabilidad de que la distancia esté entre 100 y 200 centı́metros?
(b) ¿Cuál es la probabilidad de que la distancia sea mayor que la distancia promedio en
más de 2 desviaciones estándar?
62. Supóngase que el tiempo hasta que se presente una falla en el funcionamiento de ciertas
maquinarias eléctricas se puede modelar a través de una distribución exponencial. Suponga
que el tiempo medio hasta una falla es de 25.000 horas. ¿Cuál es la probabilidad de que
(a) una máquina seleccionada al azar dure por lo menos 20.000 horas? ¿A lo sumo 30.000
horas? ¿Entre 20.000 y 30.000 horas?
(b) la duración de una máquina exceda el valor medio en más de 2 desviaciones estándar?
¿En más de 3 desviaciones estándar?
63. Suponga que el tiempo gastado (en horas) por un automóvil para llegar a un destino
determinado sigue una distribución exponencial con parámetro λ = 0, 93.
(a) ¿Cuál es tiempo gastado esperado por un automóvil y cuál es la desviación estándar
del tiempo gastado por un automóvil?
(b) ¿Cuál es la probabilidad de que el tiempo gastado por un automóvil exceda 3,0? ¿Cuál
es la probabilidad de que el tiempo gastado por un automóvil se encuentre entre 1,0
y 3,0?
(c) ¿Cuál valor se excede por sólo 10% en todos los tiempos gastados por un automóvil?
Ejemplo 4.6.2 El tiempo transcurrido entre el final de la carrera y el inicio del primer
empleo en un paı́s es una variable aleatoria exponencial con media 5 meses. Calcule:
(a) La probabilidad de que un recién titulado encuentre trabajo en menos de tres meses.
(b) El percentil del 90% de la distribución.
SOLUCION:
Cap. 4. Ejercicios complementarios 51
(a) Pulsamos el ı́cono Input dialog (primer ı́cono, rojo) y escogemos la distribución expo-
nencial. Pulsamos el botón derecho del ratón, escogemos Analysis Optións y fijamos
el valor de la media (Mean) en 5. Pulsamos nuevamente el botón derecho del ratón,
escogemos Pane Optións fijamos el valor de la variable (Random variable) en 3. La
solución que da el programa es F(3) (Lower tail area) = 0, 451.
(b) Para calcular el percentil, pulsamos en el ı́cono Tabular options (segundo ı́cono, amarillo)
y elegimos Inverse CDF. Pulsamos el botón derecho del ratón, escogemos Pane Optións
y fijamos el valor de la probabilidad (CDF) en 0,9. La solución que da el programa es
11,51. (La probabilidad de que un recién titulado tarde más de 11,51 es 0,10). ◭
✍ Ejercicios complementarios
68. ¿Son las siguientes afirmaciones verdaderas o falsas? Justifique cada respuesta.
(a) Toda variable aleatoria continua es un número.
(b) Si f es la función de densidad de una variable aleatoria continua X, entonces, f(x) =
P(X = x), para todo número real x.
(c) Para cualquier variable aleatoria continua X se cumple que P(X = 1) = 1.
(d) Si F es la función de distribución acumulada de una variable aleatoria X continua,
entonces, F es una función escalonada
(e) Si X es una variable aleatoria continua con función de distribución acumulada F,
entonces, se cumple que P(4 ≤ X < 8) = F(8) − F(4).
(f) Si X es cualquier variable aleatoria continua, entonces, la desviación estándar de la
variable aleatoria X + 3 es igual a la desviación estándar de X.
(g) Si X es cualquier variable aleatoria continua y si la variable aleatoria X + 4 tiene
esperanza 1, entonces, la esperanza de X es 5.
Cap. 4. Ejercicios complementarios 52
69. Encuentre el valor z de una variable aleatoria Z que tiene distribución normal estándar si
el área bajo la curva normal estándar
(a) a la izquierda de z es 0,6378;
(b) a la derecha de z es 0,8869;
(c) entre 0 y z > 0 es 0,4750;
(d) entre −z y z es 0,9676.
70. Sea X una variable aleatoria distribuida normalmente con media 18 y varianza 1. Encuentre
el valor de k tal que (a) P(X < k) = 0, 8186, (b) P(X > k) = 0, 7764.
71. Dada una distribución normal con media 30 y varianza 4, encuentre:
(a) el área de la curva normal a la izquierda de x = 32;
(b) el área de la curva normal a la derecha de x = 36;
(c) el área de la curva normal entre x = 32 y x = 36;
(d) el valor de x que tiene 67% del área de la curva normal a la izquierda;
(e) los dos valores que contienen un 75% central del área de la curva normal.
72. Un sexto de los cientı́ficos que asisten a un Congreso Nacional de Estadı́stica son de origen
extranjero. Si los cientı́ficos se deben quedar en un hotel que tiene sólo 180 habitaciones
disponibles y si la asignación de las habitaciones es aleatoria, ¿cuál es la probabilidad
de que en una habitación dada, al menos un quinto de los estudiantes sea de origen
extranjero?
73. Si 20% de los habitantes de cierta ciudad prefieren un Mercedes Benz sobre cualquier otro
modelo de auto, ¿cuál es la probabilidad de que entre los siguientes 1.000 autos vendidos
en esta ciudad
(a) entre 170 (no inclusive) y 185 (inclusive) sean Mercedes Benz?
(b) al menos 810 pero no más de 825 no sean Mercedes Benz?
74. La resistencia de tracción de cierto componente de metal se distribuye normalmente con
una media de 10.000 kilogramos por centı́metro cuadrado y una desviación estándar de
100 kilogramo por centı́metro cuadrado. Las mediciones se registran a los 50 kilogramos
por centı́metro cuadrado más cercanos.
(a) ¿Qué proporción de estos componentes excede 10.150 kilogramos por centı́metro
cuadrado de resistencia a la tracción?
(b) Si las especificaciones requieren que todos los componentes tengan resistencia a la
tracción entre 9.800 y 10.200 kilogramos por centı́metro cuadrado inclusive, ¿qué
proporción de piezas esperarı́a que se descartará?
75. Un proceso de fabicación de tornillos tiene 1% de defectuosos. Un plan de control de
calidad es seleccionar 100 tornillos del proceso, y si ninguno está defectuoso el proceso
continúa. Encuentre la probabilidad de que
(a) el proceso continúe con el plan de muestreo que se describe;
(b) el proceso continúe aun si éste esté mal (es decir, si la frecuencia de tornillos defec-
tuosos cambia a 5% de defectuosos).
76. Suponga que, cuando se prueban los lapiceros construı́dos por una determinada empresa,
el porcentaje de defectuosos es del 5%. Suponga que se recibe un lote de 200 lapiceros y
que la condición de cualquier lapicero es independiente de los demás.
Cap. 4. Ejercicios complementarios 53
(a) ¿Cuál es la probabilidad aproximada de que al menos 10% de los lapiceros en el lote
estén defectuosos?
(b) ¿Cuál es la probabilidad aproximada de que haya exactamente 10 defectuosos en el
lote?
77. Un cierto reporte estadı́stico del Instituto Distrital de tránsito de cierta ciudad muestra que
en una noche promedio de un fin de semana, 9 de cada 10 conductores no están ebrios.
Si se verifican al azar a 400 conductores la siguiente noche de un sábado, determine la
probabilidad de que el número de conductores ebrios sea (a) menor que 32, (b) más de
49, (c) al menos 31, pero menos de 51. (d) ¿Cuántos de los siguientes 400 conductores
espera usted que estén ebrios? ¿No ebrios?
78. Una persona está considerando dos inversiones alternativas. En ambos casos, tiene dudas
sobre el interés que podrı́a obtener, pero ella cree que su incertidumbre puede representarse
mediante dos distribuciones normales con medias y desviaciones normales representadas
en la tabla de abajo. A ella le gustarı́a invertir en la opción que tenga más probabilidades
de producir un interés mayor que el 12%. ¿Cuál deberı́a elegir la persona?
79. Supongamos que la presión de aire del neumático de una llanta seleccionada al azar e
instalado en un auto nuevo, está normalmente distribuido con media 31 libras por pulgadas
cuadradas (lb/pulg2 ) y desviación estándar de 0,2 lb/pulg2 .
(a) ¿Cuál es la probabilidad de que la presión de un neumat́ico, seleccionado al azar,
exceda de 30,5lb/pulg2 ? ¿Se encuentre entre 30,5 y 31,5 lb/pulg2 ?
(b) Suponga que un neumático se considera con presión baja si está debajo de de 30,5
lb/pulg2 . ¿Cuál es la probabilidad de que al menos uno de los cuatro neumáticos de
un automóvil se encuentre bajo?
80. Suponga que el diámetro de las tapas de ciertos tipos de frascos se distribuye normalmente
con media 8 centı́metros y desviación estándar 2,8 centı́metros.
(a) ¿Cuál es la probabilidad de que el diámetro de una tapa, seleccionada al azar, sea a
lo sumo 10 centı́metros? ¿Mayor que 20 centı́metros? ¿Entre 10 y 20 centı́metros?
(b) ¿Qué valor de k es tal que el intervalo (8 − k, 8 + k) incluya 98% de todos los valores
de diámetro.
81. Supongamos que la longitud (en centı́metros) de cierto tubo de se puede modelar con una
distribución normal con media 96 y desviación estándar de 14.
(a) ¿Cuál es la probabilidad de que la longitud del tubo sea mayor que 100 centı́metros?
¿Esté entre 50 y 75 centı́metros?
(b) ¿Cuál intervalo (a, b) incluye al 90% central de todas las longitudes del tubo (de tal
manera que 5% sean menores que a y 5% mayores que b)?
82. Los puntos en una prueba de aptitud se distribuyen según una normal con media 420 y
desviación tı́pica 80.
(a) Si se elige una persona al azar, ¿cuál es la probabilidad de que obtenga una puntuación
entre 400 y 500?
(b) ¿Cuál es la mı́nima puntuación necesaria para estar entre el 10% mejor?
Cap. 4. Ejercicios complementarios 54
(c) Para una persona elegida al azar, sin hacer los cálculos, determinar en cuál de los
siguientes intervalos es más probable que esté su puntuación: 400-440, 440-480,
480-520, 520-560.
(d) ¿En cuál de los intervalos de (c) es menos probable que esté su puntuación?
(e) Si se eligen dos personas al azar, ¿cuál es la probabilidad de que al menos uno de los
dos obtenga más de 500 puntos?
83. Suponga que la duración (en semanas) de un albañil al realizar un determinado trabajo
tiene una distribución gamma con media de 24 semanas y desviación estándar de 12
semanas.
(a) ¿Cuál es la probabilidad de que el albañil dure entre 12 y 24 semanas?
(b) ¿Es la mediana de la distribución de duración menor de 24 semanas? ¿Por qué si o
por qué no?
(c) ¿Cuál es el 99% percentil de la distribución de duración?
84. En cierta ciudad europea, el consumo diario de energı́a eléctrica (en millones de kilowatios
por hora) es una variable aleatoria que tiene distribución gamma con media 6 y varianza
12.
(a) Encuentre los valores de α y β.
(b) Determine la probabilidad de que en cualquier dı́a dado el consumo de energı́a diario
exceda 12 millones de kilowatios por hora.
⋆ 85. Un cierto paı́s de latinoamerica permite que las personas presenten solicitudes de devolu-
ciones de impuestos para especificar deducciones sólo si el total es de por lo menos 5.000
dólares. Sea X (en miles de dólares) el total de deducciones especificadas en una forma
seleccionada al azar. Suponga que X tiene la función de densidad
k
α, si x ≥ 5,
f(x; α) = x
0, de otra forma.
⋆ 86. Una determinada máquina tiene duración X exponencialmente distribuı́da con parámetro
λ.
(a) Si el costo de operar por unidad de tiempo es k, ¿cuál es el costo esperado de operar
de esta maquina en su vida útil?
(b) En lugar de un valor constante de costo k, como en el inciso (a), suponga que el costo
es k(1 − 0, 5eax ) con a < 0, de modo que el costo por unidad de tiempo es menor
que k cuando la maquina es nueva y más costosa a medida que la maquina envejece.
Ahora, calcule el costo esperado de operación durante la vida útil de la máquina.
⋆ 87. Si X tiene distribución exponencial con parámetro λ, deduzca una expresión general para
el p% percentil de la distribución. Después, especifique cómo obtener la mediana.
⋆ 88. La moda de una distribución continua de una variable aleatoria X es el valor x∗ que
maximiza a la función de densidad f de X.
Cap. 4. Ejercicios complementarios 55
Capı́tulo 4
7. (a) 3/8 (b) 7/8 (c) 19/64 (d) 37/64 39. 17,756; 0,1
9. (b) 0,5939; 0,26424 41. (a) 0,9162 (b) 0,9549 (c) 1,33
21. (c) 20/81 (d) 1/8 51. (a) 0,594 (b) 0,092 (c) 0,537
71. (a) 0,8413 (b) 0,0013 (c) 0,1574 (d) (d)40; 360
29,12
79. (a) 0,9938; 0,9876 (b) 0,02457
73. (a) 0,1129 (b) 0,1811
81. (a) 0,3897 (b) 0,0601 (c) 72,97 -
75. (a) 0,1574 (b) 0,0108 119,03
77. (a) 0,0778 (b) 0,0401 (c) 0,8821 83. (a) 0,424 (b) Sı́ es menor (c) 60
Indice
Coeficiente Percentil
de curtosis, 37 de una distribución continua, 12
estadarizado, 37
Regla
Desviación de Tchebychev, 20
estándar empı́rica, 20
de una función, 19
de una variable aleatoria, 18 Teorema
Distribución de aproximación
exponencial, 45 de la binomial a la normal, 32, 34
gamma, 41 de la Poisson a la exponencial, 47
estándar, 41
leptocúrtica, 36 Varianza
mesocúrtica, 36 de una función, 19
normal, 26 de una variable aleatoria, 18
estándar, 28
platicúrtica, 36
uniforme (continua), 23
Esperanza
de una función, 16
de una variable aleatoria, 15
Factor de corrección
de continuidad, 32, 34
Función de
densidad, 4
distribución acumulada, 5
Función gamma, 40
incompleta, 43
Media
de una función, 16
de una variable aleatoria, 15
Mediana
de una distribución continua, 12
Moda, 54