DISTRIBUCION
Captulo 6
1.
Distribuci
on Uniforme
Definici
on 1.1. Se dice que una variablea aleatoria X tiene distribuci
on uniforme en el
intervalo [a; b] si su densidad est
a dada por
(
1
,a x b
f (x) = ba
(1)
0
, en otro caso
Observaciones 1.1. En relaci
on a la densidad uniforme se tienen las siguientes propiedades.
1. Si X tiene distribuci
on uniforme en el intervalo [a; b] se anota X U (a; b).
2. La esperanza es E(X) = (a + b)/2.
3. La varianza es V ar(X) = (b a)2 /12.
4. La funci
on de distribuci
on es
F (x) =
xa
ba
,x < a
,a x b
,x > b
(2)
5. La densidad uniforme establece que dentro del intervalo [a; b] no hay valores de X que
sean m
as probables que otros. Mas especficamente, la probabilidad de que X este en
un subintervalo de ancho dentro del intervalo [a; b] es siempre igual a /(b a) sin
importar donde se encuentre ese subintervalo. Esta caracterstica de la distribuci
on
uniforme la hace vital en la generacion de n
umeros aleatorias necesarios para simular
procesos aleatorios.
Ejemplo 1. (Tiempos de despacho)
Un constructor de casas necesita ordenar materiales cuyo tiempo de entrega tiene una
distribuci
on uniforme en el intervalo 1 a 4 das. Como la constructora puede arreglarselas
sin ellos durante 2 das, el costo de la demora en la entrega del material se fija en 100 dolares
hasta dos das, pero despues de ese tiempo se establece que cada da adicional tendra un
costo de 100 d
olares m
as 20 d
olares proporcionales. Por ejemplo, una demora de 3,5 cuesta
100+20(1,5) = 130 d
olares. Calcule el costo esperado asociado a la demora en la entrega de
los materiales.
Soluci
on
El tiempo de entrega X tiene distribucion uniforme en el intervalo [1; 4] cuya densidad
aparece en la Figura 1 y cuya distribucion de probabilidad acumulada F (x) aparece en la
Figura 2. El tiempo de entrega esperado es E(X) = (a + b)/2 = (1 + 4)/2 = 2, 5 das. Por
tanto el costo esperado es 100+20(0,5)= 110 dolares.
1
UNIFORME
DISTRIBUCION
Densidad Uniforme(1;4)
Distribucin Uniforme(1;4)
0.6
Distribucin
0.4
0.2
0.0
0.2
0.1
0.0
Densidad
0.8
0.3
1.0
Ejercicios Secci
on 1
1. El tiempo que tardan los operadores de un Call Center para llenar un formulario
electr
onico relacionado con el soporte tecnico solicitado por un cliente es una variable
aleatoria con densidad de probabilidad f (x) = 0, 025 para 80 < x < 120 segundos.
a) Cu
ales son la media y la desviacion estandar del tiempo que tardan los
operadores del Call Center para llenar un formulario electronico?
b) Se enviar
a a una capacitacion especial al 10 % mas lento de los operadores. A
partir de que tiempo de llenado del formulario un operador sera considerado lento?
R:
a) = 100 segundos, = 11, 5 segundos
b) 116 segundos
2. Se ha encontrado que el retraso en la salida de los buses desde un terminal puede ser
modelado aproximadamente por una distribucion Uniforme con media 2,2 minutos y
desviaci
on est
andar 0,9 minutos. Que porcentaje de los buses tiene un retraso en su
salida superior a 3 minutos?
R:
El 24, 34 % de los buses.
3. De una variable aleatoria con distribucion Uniforme se sabe que F (0, 5) = 0, 25 y
F (0, 5) = 0, 75.
a) Dibuje la funci
on de densidad f (x) y la funcion de distribucion F (x).
b) Encuentre P (X > + ).
R:
b) 0,2113
4. De una variable aleatoria con distribucion Uniforme se sabe que F (1) = 0, 25 y f (3) =
0, 25.
a) Dibuje la funci
on de densidad f (x) y la funcion de distribucion F (x).
b) Encuentre P (X > + 0, 5).
R:
b) 0,3557
EXPONENCIAL
DISTRIBUCION
2.
Distribuci
on Exponencial
0
Z
(x/)
(x/)
= (1/) xe
|0 +
e
dx
0
2
= (1/)(0 + ) =
Rx
Rx
2. Para x < 0, F (x) = 0dt = 0. Para x 0, F (x) = 0 (1/)e(t/) dt = 1 e(x/)
Por tanto, la funci
on de distribucion asociada a la densidad exponencial es
(
1 e(x/) , x 0
F (x) =
0
,x < 0
3.
E(X ) =
x f (x)dx =
x2 (1/)e(x/) dx
Usando integraci
on por partes se tiene que
u = x2
dv = e(x/)
du = 2xdx v = e(x/)
2
x f (x)dx =
x2 (1/)e(x/)
0
Z
2
(x/)
(x/)
= (1/) x e
|0 +
2xe
dx
0
Z
= (1/) 0 + 2( 2 )
x(1/)e(x/) dx
E(X ) =
= (1/)(0 + 2 2 ) = 2 2
3
EXPONENCIAL
DISTRIBUCION
Densidad Exponencial(2,78)
Distribucin Exponencial(2,78)
0.8
0.0
0.4
Distribucin
0.2
0.1
0.0
Densidad
0.3
10
12
10
12
Ejemplo 2. (Tiempo de servicio) Una cadena de restaurantes de comida rapiada esta realizando un estudio de los tiempos de servicio en la ventanilla de espera para los automoviles.
El tiempo promedio entre colocar una orden y recibirla fue de 2,78 minutos. Los tiempos
de espera como estos suelen seguir una distribucion exponencial.
a) Cual es la probabilidad de que el tiempo para atender un cliente sea menos de 2 minutos?
b) Cual es la probabilidad de que el tiempo de servicio de un cliente se mayor que 5 minutos?
c) Cual es la probabilidad de que el tiempo para atender un cliente supere 2,78 minutos?
Soluci
on
Aqu la variable aleatoria X es el tiempo de espera en la ventanilla para automoviles y se
supone que tiene distribuci
on exponencial con media = 2, 78. Entonces, su densidad de
probabilidad es f (x) = (1/2, 78)ex/2,78 , x 0 y la funcion de distribucion de probabilidad
acumulada es F (x) = 1 ex/2,78 ; x 0 (Vea Figuras 3 y 4)
a) P (X < 2) = F (2) = 1 e2/2,78 0, 5130
Hay un 51, 30 % de probabilidad que el tiempo para atender un cliente sea menos de 2
minutos.
b) P (X > 5) = 1 P (X 5) = 1 F (5) = 1 (1 e5/2,78 ) 0, 1655
Hay un 16, 55 % de probabilidad que el tiempo para atender un cliente sea mayor que 5
minutos.
c) P (X > 2, 78) = 1 P (X 2, 78) = 1 F (2, 78) = 1 (1 e2,785/2,78 ) = e1 0, 3679
Hay un 36, 79 % de probabilidad que el tiempo para atender un cliente sea mayor que al
promedio de 2,78 minutos.
Nota: En un modelo exponencial el 36, 79 % de las veces los valores de X superan su propia
media. Ver Figura 3
Ejercicios. Secci
on 2
4
NORMAL
DISTRIBUCION
3.
Distribuci
on Normal
La densidad normal es la m
as importante de las distribuciones desde el punto de vista
teorico y desde el punto de vista aplicado.
3.1.
La Distribuci
on Normal
Definici
on 3.1. Se dice que una variable aleatoria X tiene una distribuci
on normal con
2
par
ametros y , anotado X N (; ), si su densidad de probabilidad est
a dada por
f (x) =
1 x 2
1
e 2 ( )
2
(4)
NORMAL
DISTRIBUCION
Distribuciones Normales
0.4
0.4
Distribuciones Normales
Densidad Normal
0.3
mu=5,sd=2
mu=5,sd=3
mu=5,sd=4
mu=0,sd=1
0.0
0.0
0.1
0.2
Densidad
0.3
0.2
0.1
Densidad
Densidad Normal
mu=2,sd=2
mu=3,sd=2
mu=7,sd=2
mu=0,sd=1
10
10
15
20
Figura 5: Localizaci
on de normales
para = 2, 0, 3, 7 y sd = = 2
En este apunte se tabulan y usan probabilidades del tipo P (Z > z) = 1 (z) para z > 0
de modo que cualquier c
alculo de probabilidades con una normal X N (; 2 ) es reducido
a un calculo de P (Z > z) que aparecen en la Tabla 1. Por ejemplo, P (Z > 1, 96) = 0, 0250).
Como f (z) = f (z), entonces la densidad de probabilidad de una normal estandar es una
funcion par y en consecuencia es simetrica respecto a z = 0 como muestran las Figuras 5 y
6 en el caso marcado como mu=0 y sd=1. Esta simetra implica las siguientes propiedades
de la normal est
andar que son muy u
tiles para el calculo de probabilidades.
Observaciones 3.1. Propiedades de la normal estandar en funcion de P (Z > z).
1. P (Z < 0) = P (Z > 0) = 0, 5
2. P (Z < z) = P (Z > z), para z > 0
3. P (z < Z < z) = 1 2P (Z > z), para z > 0
4. P (0 < Z < z) = 0, 5 P (Z > z), para z > 0
Ejemplo 3. (Puntuaciones de un test) Las puntuaciones de un test que siguen una
distribuci
on normal revelan una media de 79 puntos y una desviacion estandar de 6 puntos.
Calcule la probabilidad de que una puntuacion sea
a) Mayor que 92.
b) Superior a la mediana
6
NORMAL
DISTRIBUCION
c) Superior a la moda
d) Inferior a 85
e) Intermedia entre 65 y 90
f) Intermedia entre 50 y 55
Soluci
on
La variable aleatoria X corresponde a las puntuaciones del test y se sabe que X N (79; 62 ).
a) La probabilidad de que la puntuacion supere los 92 puntos es
P (X > 92) = P ((X 79)/6 > (92 79)/6)
P (Z > 2, 17) 0, 0150
b) Como la distribuci
on normal es simetrica respecto a su centro, entonces la mediana y la
moda son iguales a su media = 79 . Luego,
P (X > M ediana) = P ((X 79)/6 > (79 79)/6)
= P (Z > 0) = 0, 50
c) La probabilidad de que las puntuaciones superen su moda es
P (X > M oda) = P ((X 79)/6 > (79 79)/2)
= P (Z > 0) = 0, 50
d) La probabilidad de que la puntuacion sea menor que 85 es
P (X < 85) = P ((X 79)/6 < (85 79)/6) = P (Z < 1) = 1 P (Z 1)
1 0, 1587 = 0, 8413.
e) La probabilidad de que la puntuacion este entre 65 y 90 es
P (65 X 90) = P ((65 79)/6 (X 79)/6 (90 79)/6)
P (2, 33 Z 1, 83) = 1 P (Z > 1, 83) P (Z > 2, 33)
1 0, 0334 0, 0098 0, 9568
f) La probabilidad de que la puntuacion este entre 50 y 55 es
P (50 X 55) = P ((50 79)/6 (X 79)/6 (55 79)/6)
P (4, 83 Z 4) = P (Z > 4) P (Z > 4, 83)
0, 0000 0, 0000 = 0, 0000
El lector puede comprobar que con cuatro cifras decimales P (Z c) 0, 0000 para todo
c 3, 90. Eso significa que con cuatro cifras decimales P (3, 90 Z 3, 90) 1, 0000 o
P (8, 45 Z 7, 56) 1, 0000 o P (Z > 6, 64) 0, 0000, etc.
3.2.
Aproximaci
on de una Binomial por una Normal
NORMAL
DISTRIBUCION
Si no se dispone de un programa especial para hacer calculos esa probabilidad sera muy difcil
de obtener. Sin embargo, el teorema mas importante de la Estadstica llamado Teorema del
Lmite Central permite aproximar ese calculo usando la distribucion normal. Para el caso
Bernoulli-Binomial ese teorema establecepque la variable Binomial estandarizada por su
media np y por su desviaci
on estandar np(1 p) tiene una distribucion que se parece
mas y m
as a una normal est
andar a medida que n crece.
Teorema 3.3. Si X Binomial(n; p), entonces cuando n la distribuci
on de la
variable aleatoria
X np
Z=p
(7)
np(1 p)
converge a la de una normal est
andar
En terminos pr
acticos este teorema permite establecer que para n grande la variable
discreta Binomial XB Binomial(n; p) puede ser bien aproximada por la variable continua normal XN N (np; np(1 p)).
Sea c alg
un n
umero entero en el dominio de la variable Binomial {0, 1, 2, . . . , n}. Los principales casos de aproximaci
on de la Binomial por una Normal son.
1. Aproximaci
on de probabilidades en un punto
P (XB = c) P (c 0, 5 XN c + 0, 5)
= P
= P
c 0, 5 np
XN np
c + 0, 5 np
p
p
p
np(1 p)
np(1 p)
np(1 p)
!
c 0, 5 np
c + 0, 5 np
p
Z p
np(1 p)
np(1 p)
2. Aproximaci
on de probabilidades hacia la izquierda
P (XB c) P (XN c + 0, 5)
= P
= P
X np
c + 0, 5 np
p N
p
np(1 p)
np(1 p)
!
c + 0, 5 np
Z p
np(1 p)
3. Aproximaci
on de probabilidades hacia la izquierda
P (XB < c) P (XN < c 0, 5)
= P
= P
X np
c 0, 5 np
p N
< p
np(1 p)
np(1 p)
!
c 0, 5 np
Z< p
np(1 p)
4. Aproximaci
on de probabilidades hacia la derecha
P (XB c) P (XN c 0, 5)
= P
= P
X np
c 0, 5 np
p N
p
np(1 p)
np(1 p)
!
c 0, 5 np
Z p
np(1 p)
NORMAL
DISTRIBUCION
probabilidad
Aproximacin BinomialNormal
96
97
98
99
100
101
102
103
104
7, 0356
7, 0356
7, 0356
P (1, 35 Z 1, 49) = P (Z 1, 35) P (Z > 1, 49)
0, 0885 0, 0681 0, 0204
Se aprecia que la aproximaci
on es bastante buena y que el error es de 0,0002. La Figura 7
ilustra esta aproximaci
on.
Ejemplo 5. Si X Binomial(200; 0, 45) calcule P (X 100).
Soluci
on
Usando la distribuci
on Binomial:
200
X
n
0, 45x 0, 55nx 0, 0887
P (X 100) =
x
x=100
La funci
on Excel de Microsoft usada fue =1-DISTR.BINOM.N(99;200;0,45;1)
C
alculo con la Normal
9
NORMAL
DISTRIBUCION
Aproximacin BinomialNormal
0.04
0.03
0.02
0.00
0.01
0.05
Bin(200;0.45
N(90;49.5)
60
80
100
120
Usando la aproximaci
on normal y la tabla normal se tiene que
P (XB 100) = P (XN 100 0, 5)
XN 90
100 0, 5 90
= P
7, 0356
7, 0356
P (Z 1, 35) 0, 0885
Se aprecia que la aproximaci
on es bastante buena y que el error es de 0,0002
P (X 105) =
NORMAL
DISTRIBUCION
105
X
500
x=0
0, 25x 0, 75500x
Con la funci
on =DISTR.BINOM.N(105;500;0,25;1) de Microsoft Excel se obtiene que esta
probabilidad es 0,0205.
p
p
b) En este ejemplo np = 500(0, 25) = 125 y np(1 p) = 500(0, 25)(0, 75) = 93, 75
9, 68246. Como np = 125 > 5 y n(1 p) = 375 > 5 la variable XB Binomial(500; 0, 25)
puede ser bien aproximada por la normal XN N (125; 93, 75) de modo que
P (XB 105) P (XN 105 + 0, 5)
P (XN 105 + 0, 5) = P
XN 125
105, 5 125
9, 68246
9, 68246
P (Z 2, 014) 0, 0220
c) P (X 105) 0, 02 significa que es muy poco probable encontrar una muestra con 105
o menos mujeres entre 500 con conciencia del nuevo producto si es que ya el 25 % de ellas
tiene esa conciencia. Por tanto, esa muestra sugiere que la campa
na publicitaria no ha sido
exitosa.
Ejercicios. Secci
on 3
10. Si X N (40; 100) calcule
a) P (X > 80)
b) P (30 X 50)
R:
a) 0,0000
b) 0,6827
11. Las ventas diarias de un producto en un supermercado se distribuyen normalmente
con una venta media de 700 mil dolares y una desviacion estandar de 200 mil dolares
Que porcentaje de das las ventas superan los 850 mil dolares?
12. Seg
un una encuesta, los suscriptores de la revista Strategia emplean una computadora
en su trabajo un promedio de 27 horas por semana con una desviacion estandar de 8
horas. Suponga que el tiempo semanal que esos suscriptores emplean una computadora
es aproximadamente normal.
a) Cu
al es la probabilidad de que un suscriptor de Strategia elegido al azar utilice
una computadora menos de 11 horas?
b) Cu
al es la probabilidad de que un suscriptor de Strategia elegido al azar utilice
una computadora entre 19 y 35 horas a la semana?
c) Se clasifica a un suscriptor como usuario extraordinario del computador si esta en el
20 % superior en terminos de horas de uso. Cuantas horas debe usar la computadora
un suscriptor para ser considerado como usuario extraordinario?
R:
a) 0,0228
b) 0,6826
c) 33,72 horas
13. La demanda mensual de cierto producto A tiene una distribucion normal con una
media de 300 unidades y desviacion estandar igual a 50 unidades. La demanda mensual
de otro producto B tambien tiene una distribucion normal con una media de 550
unidades y desviaci
on est
andar igual a 30 unidades. Un comerciante que vende estos
productos tiene en su almacen 350 unidades de A y 600 de B al comienzo de un mes,
cu
al es la probabilidad de que en el mes se vendan todas las unidades de ambos
productos?
11
NORMAL
DISTRIBUCION
GAMMA
DISTRIBUCION
4.
Distribuci
on Gamma
4.1.
Densidad Gamma
Del c
alculo se sabe que la siguiente integral impropia llamada funcion gamma existe
para todo > 0 y el valor de la integral en un n
umero real positivo.
Z
() =
x1 ex dx
(8)
0
Para = 1 se tiene
ex dx = 1
(9)
() = ( 1)( 1)
(10)
(1) =
0
dv = ey dy
du = ( 1)y 2 dy
v = ey
Z
x1 ex dx
0
Z
1 y
= y
e |0 +
( 1)y 2 ey dy
Z 0
= 0 + ( 1)
y 2 ey dy
() =
= ( 1)( 1)
Si es un entero positivo mayor que 1 entonces usando la ecuacion (9) y usando reiteradamente (10) se obtiene
() = ( 1)!
(11)
Por esta raz
on la funci
on gamma tambien se llama funci
on factorial.
Usando (9) y (11) se prueba que 0! = 1.
De la ecuaci
on (8) se obtiene que
Z 1 x
x
e
1=
dx
()
0
13
GAMMA
DISTRIBUCION
1.0
Distribuciones Gamma
0.0
0.2
0.4
f(x)
0.6
0.8
alfa=1,5,beta=1
alfa=2,beta=1
alfa=3,beta=1
alfa=1,beta=1
Entonces, la funci
on f (x) = x1 ex /(), x > 0, es una funcion de densidad de probabilidad legtima. Se puede dar m
as flexibilidad a este modelo introduciendo un nuevo parametro
> 0 haciendo el cambio de variable y = x/ en la integral que define la funcion gamma
(8. Entonces,
Z 1
x
1
x/
() =
e
dx
0
Equivalentemente,
Z
1=
0
1
x1 ex/ dx
()
Definici
on 4.1. Se dice que la variable aleatoria X tiene una distribuci
on gamma de parametros > 0 y > 0, anotado X Gamma(, ), si su densidad de probabilidad est
a dada
por
(
1
1 ex/
,x 0
x
f (x) = ()
(12)
0
,x < 0
La Figura 9 muestra la gr
afica de algunas densidades Gamma para = 1 y = 1; 1,5; 2
y 3. El par
ametro se llama parametro de forma y se llama parametro de escala.
Variando cambia la forma de la densidad pero variando solo se cambia la unidad de
medida y no la forma. Se puede mostrar que E(X) = y que V ar(X) = 2 .
Cuando = 1 se obtiene la densidad exponencial
E(X) = y que V ar(X) = 2 . Se anota X Exp() .
14
f (x) =
1 x/
,
e
x 0 con
GAMMA
DISTRIBUCION
Cuando = /2, donde es un entero positivo y = 2 se obtiene la densidad chicuadrado dada por
(
1
/21 ex/2 , x 0
/2 x
(/2)2
f (x) =
(13)
0
,x < 0
Se puede mostrar que para una distribucion chi-cuadrado E(X) = y que V ar(X) = 2.
Se anota X 2 y se dice que la distribucion chi-cuadrado tiene grados de libertad.
Esta distribuci
on ser
a clave para hacer inferencias respecto a la varianza de una poblaci
on
normal. Algunas de sus probabilidades aparecen tabuladas para distintos valores de como
muestra la Tabla Chi-cuadrado al final de esta seccion. Por ejemplo, si X 21 0, entonces
P (X > 20, 5) 0, 025.
Se puede mostrar que si X Gamma(; ) entonces Y = 2X/ 2r con = r/2. Este
cambio de variable transforma el calculo de probabilidad Gamma en uno Chi-cuadrado.
4.2.
Relaci
on entre las distribuciones Poisson, Gamma y Exponencial
R
En primer lugar se buscar
a una expresion para la integral I = xr ex /r!dx donde
> 0 y r es un entero positivo.
Sea u = xr y dv = ex dx, entonces du = rxr1 dx y v = ex . Luego, integrando por partes
se obtiene
Z
Z
r1 x
r
+
r
x
e
dx
=
e
+
r
xr1 ex dx
r!I = xr ex |
La integral en esta u
ltima expresion es similar a la original pero con r 1 en vez de r.
Entonces, integrando por parte varias veces se obtiene
Z
r
r1
r2 x
r!I = e + r e + (r 1)
x e dx
..
.
r!I = e r + rr1 + r(r 1)r2 + + r!
Luego,
I = e 1 + + 2 /2! + + r1 /(r 1)! + r /r!
Por tanto,
Z
I=
r x
x e
/r!dx =
r
X
k e
k=0
k!
(14)
Se observa que la integral en (14) corresponde a una probabilidad del tipo Gamma y la
sumatoria en (14) corresponde a una probabilidad de tipo Poisson.
Supongamos que se cumplen los supuestos de un proceso de Poisson con tasa de ocurrencia
por unidad de tiempo igual a . Sea la variable aleatoria X = n
umero de ocurrencias en
el intervalo de tiempo (0; t), entonces X tiene distribucion Poisson con n
umero esperado
de ocurrencias t. Por otro lado, si T = tiempo hasta la ocurrencia de r eventos, entonces
la relaci
on entre las distribuciones Gamma y Poisson se basa en que los eventos T > t y
X < r son equivalentes. Es decir, si se requiere un tiempo mayor a t para la ocurrencia de r
eventos, entonces el n
umero de ocurrencias en el intervalo (0; t) es menor que r. Entonces,
15
GAMMA
DISTRIBUCION
tr1 et
fT (t) = (r)
0
t>0
,t > 0
, en otro caso
Esto es, el tiempo T hasta la ocurrencia de r eventos tiene una distribucion Gamma con
= r y = 1/.
Si r = 1, entonces T es el tiempo hasta la primera ocurrencia o tiempo entre ocurrencias y
su densidad de probabilidad es Exponencial
(
et , t > 0
fT (t) =
0
, en otro caso
En resumen, suponiendo que se cumplen los supuestos de un proceso Poisson de tasa , la
relacion entre las distribuciones Poisson, Exponencial y Gamma es la siguiente:
Si X = n
umero de ocurrencias en el intervalo de tiempo (0; t), entonces X tiene
distribuci
on Poisson(t) con funcion de probabilidad o funcion de cuanta dada por
fX (x) =
(t)x et
; x = 0, 1, 2, 3, . . .
x!
El n
umero esperado de ocurrencias es E(X) = t.
Si T es el tiempo hasta la primera ocurrencia, entonces su densidad de probabilidad
es Exponencial(1/) dada por
(
et , t > 0
fT (t) =
0
, en otro caso
El tiempo esperado o tiempo medio hasta la primera ocurrencia es E(T ) = 1/
16
GAMMA
DISTRIBUCION
tr1 et , t > 0
fT (t) = (r)
0
, en otro caso
Em tiempo medio o tiempo esperado hasta que ocurran r eventos es E(X) = =
r/.
Ejemplo 7. Suponga que el n
umero de accidentes laborales en una fabrica que trabaja con
tres turnos diarios toda la semana es bien modelado por un proceso de Poisson con tasa de
3 accidentes promedio por semana.
a) Cual es la probabilidad de que el tiempo entre un accidente y otro sea inferior a 2 das?
b) Cual es la probabilidad de que el tiempo entre el quinto y el noveno accidente sea inferior
a una semana?
Soluci
on
a) Aqu = 3 (accidentes/semana) y la variable aleatoria X = n
umero de accidentes por
semana tiene distribuci
on Poisson(3). El tiempo en semanas T entre un accidente y otro
tiene distribuci
on exponencial de parametro 1/lambda = 1/3 (semana/accidente), esto es,
X Exponencial(1/3). Entonces,
P (T < 2/7) = 1 e3(2/7) 0, 5756
Otra manera de responder esta pregunta es considerar X como el n
umero de accidentes en
2 das que tiene una distribuci
on Poisson de parametro t = 3(2/7) = 6/7 (accidentes/dos
das) y considerar T como el tiempo en dias entre un accidente y otro. Entonces, el evento
T < 2 es equivalente al evento X 1 de modo que
P (T < 2) = P (X 1) = 1 P (X = 0) = 1
(6/7)0 e6/7)
0, 5756
0!
3
X
3x e3
x=0
x!
1 0, 6472 0, 3528
Ejercicios Secci
on 4
22. Si X Gamma(; ) demuestre que E(X) = y que V ar(X) = 2 .
23. Demuestre que si X Gamma(; ) entonces Y = 2X/ 2r con = r/2.
17
24. La moda de una variable aleatoria discreta o continua se define como el valor que
maximiza su funci
on de probabilidad f (x). Suponga que x = 2 es la u
nica moda de
la densidad Gamma dada por
(
1
x/ , x > 0
2 xe
f (x) =
0
, en otro caso
a) Encuentre
R:
a) 2
b) P (X > 9, 49)
b) 0,05 (vea Tabla Chi-cuadrado)
5.
18
,x
+1
x
fX (x) =
, > 0, > 0
0
,x <
a) Determine la esperanza y la desviacion estandar de X.
b) Determine la funci
on de distribucion de probabilidad acumulada F (x).
c) Determine P (X > + ). q
R:
a) = 1
, > 1; =
c) (/( + ))
2
(2)(1) ,
19
>2
b) F (x) = 1 (/x) , x
Tabla1Distribucinnormalestndar
z
0,00
0,01
0,02
0,03
0,04
0,05
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
0,5000
0,4602
0,4207
0,3821
0,3446
0,3085
0,2743
0,2420
0,2119
0,1841
0,4960
0,4562
0,4168
0,3783
0,3409
0,3050
0,2709
0,2389
0,2090
0,1814
0,1587
0,1357
0,0968
0,0968
0,0808
0,0668
0,0548
0,0446
0,0359
0,0287
0,1562
0,1335
0,1131
0,0951
0,0793
0,0655
0,0537
0,0436
0,0351
0,0281
0,0228
0,0179
0,0139
0,0107
0,0082
0,0062
0,0047
0,0035
0,0026
0,0019
0,0222
0,0174
0,0136
0,0104
0,0080
0,0060
0,0045
0,0034
0,0025
0,0018
0,0013
0,0013
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
0,1539
0,1314
0,1112
0,0934
0,0778
0,0643
0,0526
0,0427
0,0344
0,0274
0,1515
0,1292
0,1093
0,0918
0,0764
0,0630
0,0516
0,0418
0,0336
0,0268
0,0217
0,0170
0,0132
0,0102
0,0078
0,0059
0,0044
0,0033
0,0024
0,0018
0,0212
0,0166
0,0129
0,0099
0,0075
0,0057
0,0043
0,0032
0,0023
0,0017
0,0013
0,0012
0,4840
0,4443
0,4052
0,3669
0,3300
0,2946
0,2611
0,2296
0,2005
0,1736
0,4801
0,4404
0,4013
0,3632
0,3264
0,2912
0,2578
0,2266
0,1977
0,1711
0,1492
0,1271
0,1075
0,0901
0,0749
0,0618
0,0505
0,0409
0,0329
0,0262
0,1469
0,1251
0,1056
0,0885
0,0735
0,0606
0,0495
0,0401
0,0322
0,0256
0,0207
0,0162
0,0125
0,0096
0,0073
0,0055
0,0041
0,0031
0,0023
0,0016
0,0202
0,0158
0,0122
0,0094
0,0071
0,0054
0,0040
0,0030
0,0022
0,0016
0,0012
0,0011
3,0
0,4880
0,4483
0,4090
0,3707
0,3336
0,2981
0,2643
0,2327
0,2033
0,1762
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
0,4920
0,4522
0,4129
0,3745
0,3372
0,3015
0,2676
0,2358
0,2061
0,1788
20
-2
0,06
0,4761
0,4364
0,3974
0,3594
0,3228
0,2877
0,2546
0,2236
0,1949
0,1685
0,07
0,4721
0,4325
0,3936
0,3557
0,3192
0,2843
0,2514
0,2206
0,1922
0,1660
0,1446
0,1230
0,1038
0,0869
0,0721
0,0594
0,0485
0,0392
0,0314
0,0250
0,1423
0,1210
0,1020
0,0853
0,0708
0,0582
0,0475
0,0384
0,0307
0,0244
0,0197
0,0154
0,0119
0,0091
0,0069
0,0052
0,0039
0,0029
0,0021
0,0015
0,0192
0,0150
0,0116
0,0089
0,0068
0,0051
0,0038
0,0028
0,0021
0,0015
0,0011
0,0011
0,08
0,4681
0,4286
0,3897
0,3520
0,3156
0,2810
0,2483
0,2177
0,1894
0,1635
-4
Densidad
0,1401
0,1190
0,1003
0,0838
0,0694
0,0571
0,0465
0,0375
0,0301
0,0239
0,09
0,4641
0,4247
0,3859
0,3483
0,3121
0,2776
0,2451
0,2148
0,1867
0,1611
0,1379
0,1170
0,0985
0,0823
0,0681
0,0559
0,0455
0,0367
0,0294
0,0233
0,0188
0,0146
0,0113
0,0087
0,0066
0,0049
0,0037
0,0027
0,0020
0,0014
0,0183
0,0143
0,0110
0,0084
0,0064
0,0048
0,0036
0,0026
0,0019
0,0014
0,0010
0,0010
DistribucinChicuadrado
Distribucin Chi-cuadrado
P(X> 20.48 ) = 0.025
Densidad
ovalores
Latablaentregaprobabilidades
dondepesunaprobabilidadoreahacialaderechay tiene
distribucinchicuadradocon gradosdelibertad.
Lasprobabilidadespaparecenenlapartesuperiordelatabla,
losgradosdelibertad enelladoizquierdoylosvaloresde
o
enelinteriordelatabla.
Por ejemplo, para
10
20,48
0,025 o en forma
equivalente
0,025
20,48
10
20
x
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
80
100
120
0,995
0,0
0,0
0,1
0,2
0,4
0,7
1,0
1,3
1,7
2,2
2,6
3,1
3,6
4,1
4,6
5,1
5,7
6,3
6,8
7,4
8,0
8,6
9,3
9,9
10,5
11,2
11,8
12,5
13,1
13,8
20,7
35,5
51,2
67,3
83,9
2,58
0,990
0,0
0,0
0,1
0,3
0,6
0,9
1,2
1,6
2,1
2,6
3,1
3,6
4,1
4,7
5,2
5,8
6,4
7,0
7,6
8,3
8,9
9,5
10,2
10,9
11,5
12,2
12,9
13,6
14,3
15,0
22,2
37,5
53,5
70,1
86,9
2,33
0,975
0,0
0,1
0,2
0,5
0,8
1,2
1,7
2,2
2,7
3,2
3,8
4,4
5,0
5,6
6,3
6,9
7,6
8,2
8,9
9,6
10,3
11,0
11,7
12,4
13,1
13,8
14,6
15,3
16,0
16,8
24,4
40,5
57,2
74,2
91,6
1,96
0,950
0,0
0,1
0,4
0,7
1,1
1,6
2,2
2,7
3,3
3,9
4,6
5,2
5,9
6,6
7,3
8,0
8,7
9,4
10,1
10,9
11,6
12,3
13,1
13,8
14,6
15,4
16,2
16,9
17,7
18,5
26,5
43,2
60,4
77,9
95,7
1,64
0,900
0,0
0,2
0,6
1,1
1,6
2,2
2,8
3,5
4,2
4,9
5,6
6,3
7,0
7,8
8,5
9,3
10,1
10,9
11,7
12,4
13,2
14,0
14,8
15,7
16,5
17,3
18,1
18,9
19,8
20,6
29,1
46,5
64,3
82,4
100,6
1,28
0,750
0,1
0,6
1,2
1,9
2,7
3,5
4,3
5,1
5,9
6,7
7,6
8,4
9,3
10,2
11,0
11,9
12,8
13,7
14,6
15,5
16,3
17,2
18,1
19,0
19,9
20,8
21,7
22,7
23,6
24,5
33,7
52,3
71,1
90,1
109,2
0,67
0,500
0,5
1,4
2,4
3,4
4,4
5,3
6,3
7,3
8,3
9,3
10,3
11,3
12,3
13,3
14,3
15,3
16,3
17,3
18,3
19,3
20,3
21,3
22,3
23,3
24,3
25,3
26,3
27,3
28,3
29,3
39,3
59,3
79,3
99,3
119,3
0,00
0,250
1,3
2,8
4,1
5,4
6,6
7,8
9,0
10,2
11,4
12,5
13,7
14,8
16,0
17,1
18,2
19,4
20,5
21,6
22,7
23,8
24,9
26,0
27,1
28,2
29,3
30,4
31,5
32,6
33,7
34,8
45,6
67,0
88,1
109,1
130,1
0,67
Para
100tomar
21
1 /2
0,100
2,7
4,6
6,3
7,8
9,2
10,6
12,0
13,4
14,7
16,0
17,3
18,5
19,8
21,1
22,3
23,5
24,8
26,0
27,2
28,4
29,6
30,8
32,0
33,2
34,4
35,6
36,7
37,9
39,1
40,3
51,8
74,4
96,6
118,5
140,2
1,28
30