Anda di halaman 1dari 50

ANÁLISIS DE DATOS EN

INGENIERÍA
VARIABLES ALEATORIAS Y
DISTRIBUCIONES DE
PROBABILIDADES
Ing. Daniel O. Rivera R., M. Sc.

1
Bibliografía
• WALPOLE, Ronald E.,
MYERS, Raymond H.,
MYERS, Sharon L.,
YE, Keying.
Probabilidad y Estadística para Ingeniería y Ciencias.
Octava edición
Editorial PEARSON Educación.
• MONTOMERY, DOUGLAS C. y GEORGE C.
RUNGER. Probabilidad y estadística aplicadas a
la ingeniería. Editorial Limusa Wiley.

2
DISTRIBUCIONES DE PROBABILIDAD (10HT, 5 HP)
• Variables aleatorias discretas y sus distribuciones de
probabilidad, distribución de probabilidad acumulada.
• Valor esperado y varianza de una variable aleatoria discreta,
propiedades.
• Distribuciones de probabilidad discreta especiales (Binomial,
Hipergeométrica, Poisson, Binomial Negativa, Geométrica,
Uniforme Discreta).
• Distribuciones de probabilidad continua y sus
distribuciones de probabilidad.
• Valor esperado y varianza de una variable aleatoria
continua, función de distribución.
• Distribuciones de probabilidad continua especiales
(Normal, Exponencial, Uniforme continua).
• Aproximaciones entre las distribuciones de probabilidad.
• Relación entre las distribuciones de Poisson y
Exponencial. 3
DISTRIBUCIONES CONTINUAS DE
PROBABILIDAD
• Una variable aleatoria continua tiene una
probabilidad cero de tomar exactamente
cualquiera de sus valores.
• En consecuencia, su distribución de
probabilidad no se puede dar en forma
tabular.

4
DISTRIBUCIONES CONTINUAS DE
PROBABILIDAD
• Ejemplo: Considérese una variable aleatoria cuyos
valores son las alturas de toda la gente mayor de 21
años. Entre dos valores cualesquiera, digamos 163.5
y 164.5 cm, o incluso entre 163.99 y 164.01 cm, hay
un número infinito de alturas, una de las cuales es
164 cm.

5
DISTRIBUCIONES CONTINUAS DE
PROBABILIDAD (continuación)
• No se pueden calcular probabilidades puntuales
• Si se pueden calcular probabilidades de intervalos.

• P(a < X < b), P(W >= c), etc.

• Esto sólo es cierto cuando la variable X es


continua.

P ( a  X  b)  P ( a  X  b)  P ( X  b)  P ( a  X  b)

6
DISTRIBUCIONES CONTINUAS DE
PROBABILIDAD (continuación)

• Se establece una fórmula f(x) como una


función para relacionar los valores numéricos
de la variable aleatoria continua X y sus
probabilidades.

• f(x) distribución de probabilidad de X.

7
DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
(continuación)
Para una variable aleatoria continua X, una función de
densidad de probabilidad es una función tal que:
1. f  x   0 para toda x ϵ R f(x)

2.  f  x   dx  1
 a b x
b
3.
P a  X  b    f  x   dx  área bajo la curva f  x  de a a b.
a

La función de densidad acumulada F(x) de una variable


aleatoria continua X con función de densidad f(x) es
x
F  x   P X  x    f  t   dt Para    x  .


8
DISTRIBUCIONES CONTINUAS DE
PROBABILIDAD (continuación)
Ejercicio 1
• Suponga que el error de la temperatura de reacción, en oC,
para un experimento de laboratorio controlado, es una
variable aleatoria continua X, que tiene la función de
densidad de probabilidad
 x2
 , ________________  1  x  2,
 3
f ( x)  
 0, ___ en _ cualquier _ otro _ caso.


a) Verifique la condición 2 de la definición de f(x).
b) Encuentre P(0 < X <= 1).
• Solución:  2 x
2
x3
2
8 1
a ) __  f ( x)dx   dx    1
 1 3 9 1
9 9
1
1 x2 x3 1
b) __ P(0  X  1)   dx  
0 3 9 0
9 9
DISTRIBUCIONES CONTINUAS DE PROBABILIDAD (continuación)
• Ejercicio 2
• Encuentre F(x), y utilícela para evaluar P(0 < X <= 1).
• Solución: Para -1 < x < 2.

x
 x t2 t3 x3  1
F ( x)   f (t ) dt   dt  
 1 3 9 9
1

Por _ lo _ tan to ,
 0, _____________ x  1,
 x3  1
 , _______  1  x  2,
 9
F ( x)  
 1, ____________ x  2.



• La distribución acumulada F(x) se expresa de forma
gráfica en esta figura. Así:

2 1 1
P(0  X  1)  F (1)  F (0)   
9 9 9 10
DISTRIBUCIONES CONTINUAS DE
PROBABILIDAD (continuación)
• Ejercicio 3
• El Departamento de Energía (DE) asigna proyectos
mediante licitación y, por lo general, estima lo que debería
ser una licitación razonable. Sea b el estimado. El DE
determinó que la función de densidad de la licitación
ganadora (baja) es  5 2
 8b , ________________ 5 b  y  2b,
f ( y)  
 0, ___ en _ cualquier _ otro _ caso.

• Encuentre F(y) y utilícela para determinar la probabilidad de
que la licitación ganadora sea menor que la estimación b
preliminar del DE.

11
DISTRIBUCIONES CONTINUAS DE
PROBABILIDAD (continuación)
2
Solución: Para b  y  2b,
5
y
y 5 5t 5y 1
F ( y)  2b / 5 8b dt 
8b 2b / 5

8b

4
De _ manera _ que
2
0, _____________ y  b,
5
F(y) = 5 y  1 , _______ 2 b  y  2b,
F ( y )  8b 4 5
1, ____________ y  2b.
Para determinar la probabilidad de que la licitación
ganadora sea menor que la estimación b, se tiene:
5 1 3
P (Y  b)  F (b)    12
8 4 8
DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
(continuación)
• Suponga que X variable aleatoria continua con función de
densidad de probabilidad f  x 
• La media o valor esperado de X, denotada como m o E(X) es:

m  E X    x  f  x dx

• La varianza de X, denotada como s2 o V(X) es:

s 2 VX     m   f  x  dx
2
x 


• La desviación estándar de X es s =[V(X)]1/2.

. Un histograma es una
aproximación de una
función de densidad de
probabilidad
13
DISTRIBUCIÓN UNIFORME
CONTINUA
14
DISTRIBUCIÓN UNIFORME CONTINUA
Una variable aleatoria continua X con función de densidad de
probabilidad
1
f  x  , a xb
ba
tiene una distribución continua uniforme.

 b  a
s 2 VX  
 b  a  2

m  E X  
2 12

f(x)

Función de densidad de
probabilidad continua
uniforme.

x 15
DISTRIBUCIÓN UNIFORME CONTINUA (continuación)
Ejercicio 1. U[0,20]
• Sea que la variable aleatoria continua X denote la corriente
media de un alambre delgado de cobre en miliamperios.
Suponga que el rango de X es [0, 20 mA], y suponga que la
función de densidad de probabilidad es,
f(x) = 0.05, 0<= x <=20.
• ¿Cuál es la probabilidad de que una medición de la corriente
esté entre 5 y 10 miliamperios?
10
P (5  X  10)   f ( x)dx  5(0.05)  0.25
5
f(x)

• Además, 0 5 10 15 20 x
E(X) = 10 mA y V(X)= 202 / 12 = 33.33 mA2
Por consiguiente la desviación estándar de X es 5.77 mA. 16
DISTRIBUCIÓN UNIFORME CONTINUA
(continuación)
• La función de densidad acumulada de
una variable aleatoria uniforme continua se
obtiene por integración. Si a<x<b, entonces

x 1 xa
F ( x)   du 
a ba ba

 _____ 0 ____ x  a

F ( x)   xa a xb
 b  a
 _____ 1 ____ x  b 17
DISTRIBUCIÓN NORMAL
Una variable aleatoria X con función de densidad de
probabilidad 1  xm  2
1   
f  x   e 2 s  para    x  
s 2 
tiene una distribución normal con parámetros m, donde
   m ,  y s > 0. Además,
E X   m VX  s 2

f(x)
Función de densidad de
probabilidad normal

x 18
DISTRIBUCIÓN NORMAL (continuación)

s2 = 1

m=5 19
DISTRIBUCIÓN NORMAL (continuación)

s2 = 4

m=5 20
DISTRIBUCIÓN NORMAL (continuación)

s2 = 1

m = 15 21
DISTRIBUCIÓN NORMAL (continuación)

22
Distribución normal estándar
A Una variable aleatoria normal con m = 0 y s2 = 1 se le llama
variable aleatoria normal estándar. Una variable aleatoria
normal estándar se denota como Z.
Si X es una variable aleatoria normal con
E(X) = m y V(X) = s2, entonces la variable aleatoria
X m
Z
s
es una variable aleatoria normal con E(Z) = 0 y V(Z) = 1. Es
decir, Z es una variable aleatoria normal estándar.
Suponga que X es una variable aleatoria normal con media m
y varianza s 2. X m xm
Entonces: P  X  x   P    P Z  z 
 s s 
donde,
Z es una variable aleatoria normal estándar,
z = (x - m/s es el valor z que se obtiene al estandarizar
X.
La probabilidad se obtiene introduciendo el valor de z en la 23
DISTRIBUCIÓN NORMAL (continuación)

m3s m2s ms ms m2s m3s


68%
95%
99.7%
Probabilidades asociadas con una Distribución Normal 24
DISTRIBUCIÓN NORMAL (continuación)
Ejemplo 5.10 M

25
26
DISTRIBUCIÓN NORMAL (continuación)
• Suponga que Z es una variable aleatoria normal
estándar. Hay tablas que contienen las P(Z<=1.5) = F(1.5)
probabilidades de la forma P(Z ≤ z). En la
siguiente figura se ilustra el uso de estas tablas
para encontrar P(Z ≤1.5). Se leer hacia abajo la 0 1.5 z
columna z hasta el renglón que es igual a 1.5. la
probabilidad se lee en la columna adyacente, con
el encabezado 0.00, como 0.933193.
DISTRIBUCIÓN NORMAL (continuación)
Ejercicio 2
• Encuentre las siguientes probabilidades con base en las
tablas de la distribución normal estándar. En la práctica una
probabilidad suele redondearse a uno o dos dígitos
significativos.
1. P(Z > 1.26) =
2. P(Z< -0.86) =
3. P(Z > -1.37) =
4. P(-1.25 < Z < 0.37)=

27
DISTRIBUCIÓN NORMAL (continuación)
Ejercicio 2
• Encuentre las siguientes probabilidades con base en las
tablas de la distribución normal estándar. En la práctica una
probabilidad suele redondearse a uno o dos dígitos
significativos.
1. P(Z > 1.26) = 1 – P(Z < 1.26) = 1 – 0.896165 = 0,103835
2. P(Z< -0.86) = 0.194894
3. P(Z > -1.37) = P(Z < 1.37) = 0.914657
4. P(-1.25 < Z < 0.37). Esta probabilidad puede encontrarse
como la diferencia de dos áreas, P(Z < 0.37) – P(Z < - 1.25).
Así: P(Z <0.37) = 0.644309 y P(Z < - 1.25) = 0.105650.
Por lo tanto,
P(-1.25 < Z < 0.37) = 0.644309 - 0.105650 = 0.538659.
28
DISTRIBUCIÓN NORMAL (continuación)
Ejemplo 3
• Suponga que las mediciones de la corriente en una tira de
alambre siguen una distribución normal con una media de 10
miliamperios y una varianza de 4 miliamperios2. ¿Cuál es la
probabilidad de que una medición exceda 13 miliamperios?

29
DISTRIBUCIÓN NORMAL (continuación)
Ejemplo 3
• Suponga que las mediciones de la corriente en una tira de
alambre siguen una distribución normal con una media de 10
miliamperios y una varianza de 4 miliamperios2. ¿Cuál es la
probabilidad de que una medición exceda 13 miliamperios?
• Sea que X denote la corriente en miliamperios.
La probabilidad puede representarse como P(X>13)
Sea Z = (X – m / s = (13 – 10)/ 2 = 1.5
Por lo tanto:
P(X>13) = P(Z>1.5) =1 – P(Z<=1.5) = 1 - 0.933193 = 0.066807

30
DISTRIBUCIÓN NORMAL (continuación)
Ejemplo 4
• Suponga que las mediciones de la corriente en una tira de
alambre siguen una distribución normal con una media de 10
miliamperios y una varianza de 4 miliamperios2. ¿Cuál es la
probabilidad de que una medición de la corriente esté entre 9 y 11
miliamperios?

• ¿Determine el valor para que la probabilidad de una medición de


la corriente esté bajo el valor de 0.98.

31
DISTRIBUCIÓN NORMAL (continuación)
Ejemplo 4
• Suponga que las mediciones de la corriente en una tira de
alambre siguen una distribución normal con una media de 10
miliamperios y una varianza de 4 miliamperios2. ¿Cuál es la
probabilidad de que una medición de la corriente esté entre 9 y 11
miliamperios?
P(9 < X < 11) = P([9 – 10] / 2 < [X – 10] /2 < [11 – 10] / 2)
P(9 < X < 11) = P(-0.5 < Z < 0.5)
P(9 < X < 11) = P(Z < 0.5) - P(Z < -0.5)
P(9 < X < 11) = 0.691462 – 0.308538 = 0.382924
• ¿Determine el valor para que la probabilidad de una medición de
la corriente esté bajo el valor de 0.98.
P(X<x) = P((X-10)/2 < (x-10)/2 = P(Z < (x-10)/2) = 0.98
P(X<2.05) = 0.979818 es la más cercana, luego
(x – 10)/2 = 2.05, por tanto x = 2(2.05) + 10 = 14.1 miliamperios.
32
DISTRIBUCIÓN NORMAL (continuación)
Ejemplo 5
• Suponga que en la detección de una señal digital el ruido de fondo sigue
una distribución normal con media de 0 voltios y una desviación estándar de
0.45 voltios. Si el sistema asume que se ha transmitido un uno digital
cuando el voltaje excede 0.9, ¿cuál es la probabilidad de detectar un uno
digital cuando no se envió?
• Sea que la variable aleatoria N denote el voltaje del ruido. La probabilidad
pedida (probabilidad de una detección falsa) es:

• Determine los límites simétricos alrededor de la media que incluyan al 99%


de todas las lecturas de ruido. El problema requiere encontrar x tal que
P(-x < N < x) = 0.99.

33
DISTRIBUCIÓN NORMAL (continuación)
Ejemplo 5
• Suponga que en la detección de una señal digital el ruido de fondo sigue
una distribución normal con media de 0 voltios y una desviación estándar de
0.45 voltios. Si el sistema asume que se ha transmitido un uno digital
cuando el voltaje excede 0.9, ¿cuál es la probabilidad de detectar un uno
digital cuando no se envió?
• Sea que la variable aleatoria N denote el voltaje del ruido. La probabilidad
pedida (probabilidad de una detección falsa) es:
P(N > 0.9) = P(N / 0.45 > 0.9 / 0.45 = P(Z > 2)
P(Z > 2) = 1 – P(Z ≤ 2) = 1 – 0.977250 = 0.022750
• Determine los límites simétricos alrededor de la media que incluyan al 99%
de todas las lecturas de ruido. El problema requiere encontrar x tal que
P(-x < N < x) = 0.99.
P(-x < N < x) = P(-x/0.45 < N/0.45 < x/0.45) = P(-x/0.45 < Z < x/0.45) = 0.99
1.00 - 0.99 = 0.01; 0.01 / 2 = 0.005.
Por la tabla normal P(-2.58 < Z < 2.58) = 0.99
Por lo tanto : para P(z) = 0.005; z = -2,58; para P(z) = 0.995; z = 2,58
x / 0.45 = 2.58 de donde x = 2.58(0.45) = 1.16
-x / 0.45 = -2.58 de donde x = -2.58(0.45) = -1.16 34
DISTRIBUCIÓN NORMAL (continuación) 86

Ejemplo 6
• El diámetro de un eje en un propulsor de almacenamiento óptico, tiene una
distribución normal con media 0.2508 pulgadas y una desviación estándar de
0.0005 pulgadas. Las especificaciones de los ejes son 0.2500 ± 0.0015
pulgadas. ¿Qué proporción de los ejes cumplen con las especificaciones?
• Sea que X denote el diámetro del eje en pulgadas. La probabilidad media se
muestra en la figura.
DISTRIBUCIÓN NORMAL (continuación) 86

Ejemplo 6
• El diámetro de un eje en un propulsor de almacenamiento óptico, tiene una
distribución normal con media 0.2508 pulgadas y una desviación estándar de
0.0005 pulgadas. Las especificaciones de los ejes son 0.2500 ± 0.0015
pulgadas. ¿Qué proporción de los ejes cumplen con las especificaciones?
• Sea que X denote el diámetro del eje en pulgadas. La probabilidad media se
muestra en la figura.
 0.2485  0.2508 0.2515  0.2508 
P(0.2485  X  0.2515)  P Z 
 0 .0005 0.0005 
P(0.2485  X  0.2515)  P(4.6  Z  1.4)
P(0.2485  X  0.2515)  P( Z  1.4)  P( Z  4.6)
P(0.2485  X  0.2515)  0.91924  0.00000  0.91924

0,2485 0,2500 0,2515


DISTRIBUCIÓN NORMAL (continuación)
Ejemplo 7 (continuación)
• La mayoría de los ejes que no cumplen son demasiado
grandes, debido a que la media del proceso se localiza
muy cerca del límite superior de especificación. Si el
proceso se centra de tal modo que su media sea igual al
valor especificado de 0.2500, entonces
 0.2485  0.2500 0.2515  0.2500 
P(0.2485  X  0.2515)  P Z  
 0.0005 0.0005 
P(0.2485  X  0.2515)  P (3  Z  3)
P(0.2485  X  0.2515)  P ( Z  3)  P( Z  3)
P(0.2485  X  0.2515)  0.99865  0.00135  0.9973
• Al centrar nuevamente el proceso, el producto aumenta a
aproximadamente 99.73%.
37
DISTRIBUCIÓN
• EXPONENCIAL
En la exposición de la distribución de Poisson una variable aleatoria se
definió como el número de imperfecciones a lo largo de un alambre de
cobre. La distancia entre las imperfecciones es otra variable aleatoria
que suele ser de interés. Sea que la variable aleatoria X denote la
longitud desde cualquier punto inicial sobre el alambre hasta cuando se
detecta una imperfección.
• En general la variable aleatoria N denota el número de imperfecciones
en x milímetros del alambre. Si el número promedio de imperfecciones
es l por milímetro, entonces N tiene una distribución de Poisson con
media l x. Se supone que el alambre es más largo que el valor de x.
Ahora bien  lx
e (l x )
0
P ( X > x)  P( N  0)   e  lx
0!
Por _ lo _ tan to
F ( x)  P ( X  x)  1  e lx , ___ x  0
Al _ deri var_ F ( x) _ la _ función _ de _ densidad _ es :
f ( x)  le lx , ___ x  0 38
DISTRIBUCIÓN EXPONENCIAL
La variable aleatoria X que es igual a la distancia entre conteos
sucesivos de un proceso de Poisson con media l>0 tiene una
distribución exponencial con parámetro l. La función de
densidad de probabilidad de X es
f  x  l  e  lx
para 0 ≤ x < ∞

Si la variable aleatoria X tiene una distribución exponencial


Con parámetro l, entonces
1
VX   2
l
f(x)

Función de densidad de
probabilidad exponencial
39

x
DISTRIBUCIÓN EXPONENCIAL
Ejemplo 5.21 M
(continuación)
• En una red de computadoras de una gran corporación, el acceso de
usuario al sistema puede modelarse como un proceso de Poisson con
una media de 25 accesos por hora. ¿Cuál es la probabilidad de que no
haya acceso en un intervalo de 6 minutos?
• Sea que X denote el tiempo en horas desde el principio del intervalo
hasta el primer acceso. Entonces, X tiene una distribución exponencial
con l = 25 accesos por hora.
• 6 minutos = 0.1 horas. La probabilidad pedida se indica en el área
sombreada de la figura.


P( X > 0.1)   25e 25 x dx  e 25 x e 25( 0.1)  0.082
0.1
0.1

• ¿Cuál es la probabilidad de que el tiempo hasta el siguiente acceso esté


entre 2 y 3 minutos?
0.05
0.05
P (0.033  X  0.05)   25e  25 x dx  e  25 x  0.152 40
0.033
0.033
DISTRIBUCIÓN EXPONENCIAL
(continuación)
Ejemplo 5.21 M (continuación)
• Determine el intervalo de tiempo tal de que la probabilidad de que no
haya acceso en el intervalo sea 0.90. Se pide la longitud de tiempo x
tal que P(X>x) = 0.90. Ahora bien,


P( X > x )   25e 25t dt   e 25t e 25( x )  0.90
x x
• Por lo tanto, después de sacar logaritmo natural a ambos miembros
-25x ln(e) = ln(0,90)
-25x = -0,10536
x = 0.00421 horas = 0.25 minutos
• Por otra parte, el tiempo promedio hasta el siguiente acceso es
µ = 1/25 = 0.04 horas = 2.4 minutos
• La desviación estándar del tiempo hasta el siguiente acceso es
s = 1/25 = 0.04 horas = 2.4 minutos|
41
DISTRIBUCIÓN EXPONENCIAL
Ejemplo 5.22 M (continuación)
• Sea que X denote el tiempo entre la detección de una partícula rara en un
contador Geiger y suponga que X tiene una distribución exponencial con
E(X)= 1.4 minutos entre detección. La probabilidad de que se detecte una
partícula en un lapso de 30 segundos después de activar el contador es, l
= 1/E(X) = 1/1.4; luego, F(X) = P(X<0.5 min) = 1 - e-lx = 1 - e-0.5/1.4 = 0,30
• Suponga que se enciende el contador Geiger y que pasen 3 minutos sin
que se detecte ninguna partícula. ¿Cuál es la probabilidad de que se
detecte una partícula en los siguientes 30 segundos?
• Como ya han transcurrido 3 minutos de espera, quizás se piense que uno
“va a la segura”, es decir, que la probabilidad de una detección positiva en
los siguientes 30 segundos deberá ser mayor que 0.30. Sin embargo, para
una distribución exponencial éste no es el caso. La probabilidad pedida
puede expresarse como la probabilidad condicional P(X<3.5 | X>3). Por la
definición de probabilidad condicional,
P(X<3.5 | X>3) = P(3<X< 3.5) / P(X>3)
donde P(3<X< 3.5) = F(3.5) – F(3) = [1 – e-3.5/1.4] – [1 – e-3/1.4] = 0.0352
y P(X>3) = e-3/1.4 = 0.1173
• Por lo tanto P(X<3.5 | X>3) = 0.0352 / 0.1173 = 0.30 42
APROXIMACIÓN NORMAL A LA DISTRIBUCIÓN BINOMIAL Y DE POISSON

Si X es una variable aleatoria binomial con media m = np y


varianza s 2 = npq, entonces la forma limitante de la distribución
de X  n p
Z
n pq
es aproximadamente una variable aleatoria normal estándar
n(z; 0, 1). La aproximación es buena para np>5 y n(1 - p)>5.

La distribución normal con media m = np y varianza


s 2 = np(1 - p), no sólo ofrece una aproximación muy precisa a la
distribución binomial cuando n es grande y p no está
extremadamente cercana a 0 o a 1, sino que también brinda
una aproximación bastante buena cuando n sea pequeña y p
esté razonablemente cercana a ½.

43
APROXIMACIÓN NORMAL A LA DISTRIBUCIÓN BINOMIAL Y DE
POISSON (continuación)
Para ilustrar la aproximación normal a la distribución
binomial, primero dibujamos el histograma para b(x; 15, 0.4)
y después superponemos la curva normal particular que
tenga la misma media y varianza que la variable binomial X.
De ahí dibujamos una curva normal con
m = np = (15)(0.4) = 6 y s 2 = np(1-p) = (15)(0.4)(0.6) =
3.6

44
APROXIMACIÓN NORMAL A LA DISTRIBUCIÓN
BINOMIAL Y DE POISSON (continuación)
• Ejemplo 5.17 M
• En un canal de comunicación digital, suponga que el número de
bits recibidos con error puede modelarse con una variable
aleatoria binomial, y suponga que la probabilidad de que un bit
se reciba con error es 1 x 10-5. Si se transmites 16 millones de
bits. ¿cuál es la probabilidad de que más de 150 presenten
errores?
• Sea que la variable X denote el número de errores. Entonces X
es una variable aleatoria binomial y

10  1  10 
150
 16.000.000  5 x
P(X > 150)  1 - P(X  150)  1 -   5 16.000.00 x

x 0  x 
• El cálculo de esta probabilidad en este caso es complejo y en
este caso se puede recurrir e la distribución normal para obtener
una excelente aproximación en este ejemplo.
45
APROXIMACIÓN NORMAL A LA DISTRIBUCIÓN BINOMIAL
Y DE POISSON (continuación)
Ejemplo 5.18 M
• El problema del canal de comunicaciones digital del
ejemplo anterior se resuelve como sigue:
X  n p
n.p = 1*10^(-5) * 16.000.000 = 160 Z
n pq

 x - 160 150  160 


P(X > 150)  P > 
 160(1 - 10-5 ) 160(1 - 10 -5 
)

P(X > 150)  P(Z > -0.79)  P(Z  0.79)  0.785
• Debido a que np = (16 x 106)(1 x 10-5) = 160 y n(1 – p) es
mucho mayor (15.999.840), es de esperarse que la
aproximación funcione bien en este caso. 46
APROXIMACIÓN NORMAL A LA DISTRIBUCIÓN
BINOMIAL Y DE POISSON (continuación)
Ejemplo 5.19 M
• Considérese de nuevo la transmisión de bits del ejemplo
5.17 M. Para juzgar qué tan bien funciona la aproximación
normal, suponga que sólo van a transmitirse n = 50 bits y
que la probabilidad de un error es p = 0.1. La probabilidad
exacta de que ocurran hasta 2 errores como máximo es:
 50   50   50 
P( X  2)    0.1 1  0.1    0.1 1  0.1    0.1 1  0.1  0,11173
0 50 1 49 2 48

0 1 2


• Con base en la aproximación normal,

 x -5 25
P(X  2)  P    P( Z  1.415)  0.08
 2.12 2.12 
• Incluso para una muestra de apenas 50 bits, la
aproximación normal es razonable. 47
APROXIMACIÓN NORMAL A LA DISTRIBUCIÓN
BINOMIAL Y DE POISSON (continuación)
Ejemplo 6.15 W
• La probabilidad de que un paciente se recupere de una rara
enfermedad de la sangre es 0.4. Se sabe que 100 personas
contrajeron esta enfermedad, ¿cuál es la probabilidad de que menos
de 30 sobrevivan?
• Solución: Representamos con la variable binomial X el número de
pacientes que sobreviven. Como n = 100, deberíamos obtener
resultados bastante precisos usando la aproximación de la curva
normal con m = np = (100)(0.4) = 40
y s  npq  100  0.4  0.6  4.499
• Para obtener la probabilidad que se desea tenemos que encontrar el
área de la izquierda de x = 29.5. El valor de z que corresponde a 29.5
es 29.5  40
z  2.14
4.899
y la probabilidad de que menos de 30 de los 100 pacientes sobrevivan
es P(X < 30) ≈ P(Z < -2.14) = 0.0162
48
APROXIMACIÓN NORMAL A LA DISTRIBUCIÓN BINOMIAL Y DE
POISSON (continuación)

• La distribución de Poisson se desarrolló como el límite de


una distribución binomial cuando el número de ensayos se
incrementa a infinito. Por consiguiente, no debe
sorprender encontrar que la distribución normal puede usarse
para aproximar probabilidades de una variable aleatoria de
Poisson.
• Si X es una variable aleatoria de Poisson con E(x) = l y
V(X) = l entonces
X l
Z
l
es aproximadamente una variable aleatoria normal
estándar. La aproximación es buena para l > 5.
49
APROXIMACIÓN NORMAL A LA DISTRIBUCIÓN BINOMIAL Y DE
POISSON (continuación)
Ejemplo 6.2 W
• Suponga que el número de partículas de asbesto en un
centímetro cuadrado de polvo sigue una distribución de
Poisson con una media de 1000. Si se analiza un
centímetro cuadrado de polvo, ¿cuál es la probabilidad de
encontrar menos de 950 partículas?
• La probabilidad puede expresarse exactamente como
e  l  lx e 10001000 x
950
f  x  , P( X  950)  
x! x 0 x!
• La dificultad del cálculo es evidente.
• La probabilidad puede aproximarse como
 950  1000 
P ( X  x )  P Z    P ( Z  1.58)  0.057
 1000 
50