Contenido De La Unidad 4

DISTRIBUCIN CONTINUAS ......................................................................................................... 2

4.1 DEFINICIN DE VARIABLE ALEATORIA CONTUNUA. ......................................................... 2
4.2 FUNCIN DE DENSIDAD Y ACUMULATIVA........................................................................... 2
4.3 VALOR ESPERADO, VARIANZA Y DESVIACIN ESTNDAR. ............................................. 6
4.4 DISTRIBUCIN UNIFORME CONTINUA. ................................................................................ 7
4.5 DISTRIBUCIN EXPONENCIAL. ........................................................................................... 12
4.6 DISTRIBUCIN GAMMA (ERLANG) ...................................................................................... 13
4.7 DISTRIBUCIN NORMAL ....................................................................................................... 16
4.6 DISTRIBUCIN GAMMA (ERLANG) ...................................................................................... 20
4.8 TEOREMA DE CHBYSHEV .................................................................................................. 24


DISTRIBUCIN CONTINUAS
4.1 DEFINICIN DE VARIABLE ALEATORIA CONTUNUA.

Si los datos representan mediciones de una variable aleatoria continua y si su
cantidad de datos es muy grande, podemos reducir la anchura de los intervalos de
clase hasta que la distribucin se vea como una curva continua. Una funcin de
densidad de probabilidad, es un modelo terico para esta distribucin.

Si f(y) es la funcin de distribucin acumulativa para una variable aleatoria
continua y entonces la funcin de densidad f(y) para y es.

( )
( )
dy
y df
y f =

La funcin de densidad para una variable aleatoria continua y que modela
alguna poblacin de datos de la vida real, por lo regular es una curva continua.

Entonces, el rea acumulativa bajo la curva entre -:y un punto y
0
es igual a f(y
0
).

-+La funcin de la densidad para una variable aleatoria continua siempre
debe satisfacer las tres propiedades que se indican en siguiente.

Propiedad
1.- ( ) 0 > y f
2.- ( ) ( ) 1 = =
}

f dy y f
3.- ( ) ( )
}
= < <
b
a
dy y f b y a P , donde a y b son constantes.


4.2 FUNCIN DE DENSIDAD Y ACUMULATIVA.

Si los datos representan mediciones de una variable aleatoria continua y si la
cantidad de datos es muy grande, podemos reducir la anchura de los intervalos de
una clase hasta que la distribucin se vea como una curva continua. Una funcin
de densidad de probabilidad es un modelo terico para esta distribucin.
1


Si f(y) es la funcin de distribucin acumulativa para una variable aleatoria
continua y, entonces la funcin de densidad f(y) para y es.


1
MENDENHALL William, Probabilidad y Estadstica para ingeniera y ciencia, Pg. 206
dy
y dF
y f
) (
) ( =

La funcin de densidad para una variable aleatoria contina y que modela alguna
poblacin de datos de la vida real, por lo regular es una curva.

EJEMPLO:

La funcin de densidad de probabilidad de probabilidad del tiempo de falla ( en
horas) de un componente electrnico de una copiadora.
= =

1000
) (
1000 / x
e
x f Para x>0

Calcule la probabilidad de que:
a) El componente tarde ms de 3 mil horas en fallar.
b) El componente falle en el lapso comprendido entre 1000 y 2000 horas.
c) El componente falle antes de 1000 horas.
d) Calcule el de horas en las que fallaron el 10% de todos los componentes.

a)
p(x>3000)= 1- p (0<x<3000)

9502 . 0 1
1
1 ) (
1000
1000
1000
) 3000 0 (
3
3 0 3 1000 / 0 1000 / 3000
3000
0
3000
0
1000 /
3000
0
1000 / 1000 /
= + = + = + =
= =

= = < <

} } }
e
e e e e e
e
e
dx
e
x p
x
x x


b)
% 25 . 23 232544 . 0
1 1
) (
1000
1000
1000
) 2000 1000 (
1 2
2000
1000
) 1000 / 1000 ( 1000 / 2000 1000 /
2000
1000
1000 /
2000
1000
1000 /
1 2
= = + = +
= =
=

= = < <

}
} }


e e
e e
e e e
e
dx
e
x p
x
x x

c)
% 21 . 63 6321 . 0
) (
1000
1000
1000
) 1000 0 (
0 1 1000 / 0
1000
0
1000 / 1000 1000 /
1000
0
1000 /
1000
0
1000 /
=
= + = =
=

= = < <


}
} }
e e e e e
e
dx
e
x p
x
x x






d)
36 . 105
) 1000 )( 105360 . 0 (
105360 . 0
1000
105360 . 0
1000
) 90 . 0 ln( ) ln(
90 . 0
90 . 0
1 10 . 0
10 . 0 1
) (
1000
) 0 (
1000 /
1000 /
1000 /
1000 /
1000 /
0 1000 / 1000 / 0 1000 /
0
1000 /
0
1000 /
=
=
=
=

=
=
=
=
= +
= + =
= = = < <

} }
w
w
w
w
e
e
e
e
e
e e e e
e
e
w x p
w
w
w
w
w
w w
w
x
w
x


EJERCICIO:
La funcin de densidad de probabilidad de peso neto en libras de un paquete de
herbicida qumico es igual a f(x)=2 para 49.75<x<50.25 libras.
a) calcule la probabilidad de que un paquete pese ms de 50 libras.
b) Cuanto herbicida estar contenido en el 90% de los paquetes.

a) p(x>50)

5 . 0 ) 50 ( 2 ) 25 . 50 ( 2
2 2 2 ) 25 . 50 50 (
25 . 50
50
25 . 50
50
25 . 50
50
=
= = = = < <
} } }
x dx dx x p




b)
2 . 50
2
5 . 99 9 . 0
) 75 . 49 ( 2 9 . 0 2
9 . 0 ) 75 . 49 ( 2 ) ( 2 2 ) 75 . 49 (
75 . 49
=
+
= + =
= = = < <
}
w
w
w x w x p
w








Ejercicio 2

Supngase que f(x)=e
-x
para 0<x. Determine las siguientes probabilidades.

a) p (1<x)
6321 . 0 1 3678 . 0 1 ) (
) 1 0 (
3678 . 0 6321 . 0 1 ) 1 0 ( 1 ) 1 (
1 0 1
1
0
1
0
= + = + =
= = = < <
= = < < = <


} }
e e e
e dx e x p
x p x p
x z

b)
% 58 . 28 2858 . 0 3678 . 0 082 . 0
) ( ) 5 . 2 1 (
1 5 . 2
1
5 . 2
1
5 . 2
5 . 2
1
= = + = +
= = = = < <


} }
e e
e e e dx e x p
x x


c)

0 ) 3 ( = = x p

d)
% 16 . 98 9816 . 0
) ( ) 4 (
0 4 0
4
0
4
4
0
= =
+ = = = = <

} }
e e e e e dx e x p
x x


e)
% 97 . 4 0497 . 0 9503 . 0 1
9503 . 0 1 0497 . 0
) ( ) 3 0 (
) 3 (
0 3 0
3
0
3
= = =
= + =
+ = = = s <
s

}
e e e e dx e x p
x p
x



Ejercicio 3
Suponga que f(x)
) 4 (
=
x
e para 4<x
a) p(1<x)= no aplicable
b) = < s ) 5 2 ( x p no aplicable
c) p(4<x)=1
d)

% 76 . 1 0176 . 0
018 . 0 10 35 . 3 ) (
) 12 8 (
4 ) 4 8 ( ) 4 12 (
12
8
) 4 (
12
8
) 4 (
= =
+ =
= = = < <


} }
x e e
e dx e x p
x x



e)
3025 . 6
3025 . 6
4 3025 . 2
) 10 . 0 ln( 4
) 10 . 0 ln( ln(
10 . 0
10 . 0
1 90 . 0
90 . 0 1 1
( ) (
90 . 0 ) (
90 . 0 ) (
) 4
4
4
4
4 ) 4 (
) 4 4 (
4
) 4 ( ) 4 (
4
) 4 (
=
=
=
= +
=
=
=
=
= + = + =
= = = s
= s
= s
+
+
+
+
+

} }
r
r
r
r
e
e
e
e
e e
e e e dx e r X p
r X p
x X p
r
r
r
r
r r
r
r x
r
x


4.3 VALOR ESPERADO, VARIANZA Y DESVIACIN ESTNDAR.
La media y la varianza de una variable aleatoria continua se define de la
manera similar al caso de la variable aleatoria discreta. En las definiciones la
integracin remplaza a la sumatoria.
2

Supngale que X es una variable aleatoria continua con funcin de densidad de
probabilidad fx (x),-<x<.

La media de x, denotada por E (x) o
x
es
}

= = dx x xf X E
x X
) ( ) (
La varianza de X, denotada por V(X) o o
2
x, es
dx x f x x x X V ) ( ) ( ) (
2 2
}

= = o
As mismo la desviacin estndar de X es
) (x v
x
= o


2
MONTGOMERY, Douglas C. Op. Cit. Pg.168




EJEMPLO:
Con la siguiente funcin f(x) =0.125x para 0<x<4, calcular la media, la varianza y
la desviacin estndar.

Valor esperado:
666 . 2
3
8
3
) 0 ( 125 . 0
3
) 4 ( 125 . 0
3
125 . 0
125 . 0 125 . 0 ) 125 . 0 ( ) (
3 3 4
0
3
4
0
2
4
0
2
4
0
= = =
= = = =
}
} } }
x
dx x dx x dx x x X E
X

Varianza:

( )
( ) ( ) ( ) ( )
8888 . 0
9
8
18
0 8
9
0 2
32
0
18
4 8
9
4 2
32
4
18
8
9
2
32
2 * 9
8
3 * 3
2
4 * 8 9
8
3
2
8 72
64
24
16
8
8
1
9
64
3
16
125 . 0 )
3
8
( ) (
2 3 4 2 3 4 4
0
2 3 4
4
0
4
0
3 3 4 2 3 2
4
0
3
4
0
2 2
4
0
2
= =
(

+
(

+ =
(

+
=
(

+ =
|
|
.
|

\
|
+ = |
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
= |
.
|

\
|
|
.
|

\
|
+ = = =
}
} } }
} }
x x x
x x x
dx
x x X
dx
x x X
dx
X
X dx x X x V o



Desviacin estndar:

9428 . 0
9
8
= =
x
o


4.4 DISTRIBUCIN UNIFORME CONTINUA.
3


La distribucin continua ms sencilla es anloga a su contraparte discreta, una
variable aleatoria continua X con funcin de probabilidad.

( )
( )
b X a
a b
x f s s

= ,
1


Tiene una distribucin uniforme continua.


3
Ibd. Pg.170
f(x)
1/b-a
x

Funcin de densidad de probabilidad de una variable aleatoria uniforme continua.
La media de la variable aleatoria uniforme continua X es:

( )
} }
+
=

=
b
a
b
a
b a
a b
x
dx
a b
x
x E
2
5 . 0
2


La varianza de X es

} }

=

=
b
a
b
a
a b
a b
b a
x
dx
a b
b a
x
x v
12
) (
) ( 3
)
2
) (
( )
2
) (
(
) (
2
3
2


Estos datos pueden resumirse de la siguiente manera.
La media y la varianza aleatoria uniforme contina X sobre a s x s b estn dadas
por:

2
) (
) (
b a
X E x
+
= = y
12
) (
) (
2
2
a b
x v x

= = o

EJEMPLO:
Suponga que X tiene una distribucin uniforme continua en el intervalo
[1.5, 5.5].
a) Calcule la media, la varianza y la desviacin estancar de X.
b) Cual es la probabilidad de p(x<2.5).

25 . 0
4
1
5 . 1 5 . 5
1 1
) ( = =

=
a b
x f


a)
.30
.20
.10
1 2 3 4 5 6
1547 . 1
3
4
33 . 1
3
4
12
) 5 . 1 5 . 5 (
5 . 3
2
7
2
5 . 1 5 . 5
2
2
= =
= =

=
= =
+
=
x
x
x
o
o

b) % 25 25 . 0
4
5 . 1
4
5 . 2
4 4
1
) 5 . 2 (
5 . 2
5 . 1
5 . 2
5 . 1
= = = = = <
} }
x
dx X P

EJEMPLO 2:

Suponga que X tiene una distribucin uniforme continua en el intervalo [-1, 1]
a) Obtenga la media la varianza y la desviacin estndar.
b) Calcule el valor de X talque p(-x < X < x)=0.90
0,05 0,45 0,45 0,05
-1 1


5 . 0
2
1
) 1 ( 1
1 1
) ( = =

=

=
a b
x f


a)
577 . 0
6
2
333 . 0
6
2
12
4
12
)) 1 ( 1 (
0
2
1 1
2
2
= =
= = =

=
=
+
=
x
x
x
o
o

b) p(-x< X <x)=0.90

90 . 0
90 . 0
2 2 2
90 . 0
2
1
) (
90 . 0 ) 2 ( 45 . 0
45 . 0
2
5 . 0 05 . 0
2
05 . 0
2
1
2 2 2
1
1
1
=
=

= =
= = < <
= =
= = =
=

= =
}
}
} }

x
x x
dx
x
dx x X x p
r
r r
r x
dx
x
x
x
x
r
r




EJEMPLO 3:

La variable X se desarrolla en el intervalo [2 , 8].
a) Obtenga la media de la distribucin.
b) Calcule la probabilidad p(x<X<x)=0.85
c) Calcule la probabilidad de p(x<X)=0.70

0,16
0,75 0,75
0 1 2 3 4 5 6 7 8 9
X X


166 . 0
6
1
2 8
1 1
) ( = =

=
a b
x f

a) 5
2
10
2
2 8
= =
+
= x








b)

85 . 0
6
45 . 2
6
55 . 7
6 6
1
) 55 . 7 45 . 2 (
:
45 . 2
6 )
6
2
075 . 0 (
6
2
075 . 0
6
075 . 0
6
2
6 6 6
1
) 2 (
55 . 7
45 . 2
55 . 7
45 . 2
2
2
= = = = < <
=
+ =
+ =
= = = = < <
} }
} }
x
dx X p
n comprovaci
x
x
x
x x
dx x X p
x
x






c)

8 . 3
6 )
6
8
70 . 0 (
6
8
70 . 0
6
70 . 0
6 6
8
6 6
1
) 8 (
8 . 3
)
3
2
30 . 0 (
6
2
30 . 0
6
30 . 0
6
2
6 6 6
1
) 2 ( 70 . 0 ) (
8
8
2
2
=
+ =
=
= = = = < <
=
+ = = + = = = = =
< < = = <
} }
} }
x
x
x
x x
dx X x p
x
x
x x x
dx
x X p x x p
x
x
x
x











4.5 DISTRIBUCIN EXPONENCIAL.
4

La familia de las distribuciones exponenciales proporciona modelos de
probabilidad que son ampliamente utilizados en ingeniera y ciencias.
Se dice que X tiene una distribucin exponencial si la pdf de X es
0
0
) ; ( >

=

x
e
x f
x

de otra manera donde >0

La pdf exponencial es un caso especial, de gamma general, en la que o=1 y | ha
sido sustituida por 1/, [algunos autores emplean la forma (1/|)e
-x/|
]. La media y la
varianza de X entonces son:

o|
1
= =
2
2 2
1

o| o = =

Tanto la media como la desviacin estndar de la distribucin exponencial son
iguales a 1/. Las grficas de las variables pdf exponenciales aparecen en la
figura siguiente.


La diferencia de pdf gamma general, la pdf exponencial se pueden integrar
fcilmente. En particular, la pdf de X es
EJEMPLO.
Sea X el tiempo en horas de un sistema de cajeros de atencin a usuarios. La
atencin puede modelarse como un proceso de Poisson por una media de 25
accesos por hora cul es la probabilidad de que no halla acceso en un intervalo
de 6 minutos?

=25 usuarios / hora
=2.5 usuarios / 6 minutos
P(xs0.1)=
% 8 . 2 08208 . 0 9173 . 0 1 ) 1 . 0 ( 1 ) 1 . 0 (
9179 . 0 1
) (
25
25
25 25
5 . 2
) 0 ( 25
1 . 0
0
) 1 . 0 ( 25
1 . 0
0
25
25
1 . 0
0
25
1 . 0
0
25
= = = s = >
= +
= = =

= =

} } } }
x P x p
e
e e e
e
dx e dx e
x
x
x x



4
DEVORE, Jay L., Probabilidad y Estadstica para Ingeniera y Ciencia. Pg.171

4.6 DISTRIBUCIN GAMMA (ERLANG)
5


Aumenta la distribucin ya que se puede utilizar para resolver muchos problemas
en ingeniera y en la ciencia, hay aun numerosas situaciones que requieren
diferentes tipos de funciones de densidad. Dos de estas funciones de densidad,
las distribuciones gamma y exponencial, se estudian en esta seccin.

Resulta que la distribucin exponencial es una cosa especial de la distribucin
gamma. Ambas encuentran un gran nmero de aplicaciones .Las distribuciones
exponencial y gamma juegan un papel importante en teora de colas y problemas
de confiabilidad. Los tiempos entre llegadas en instalaciones de servicio, y tiempo
de falla de partes componentes y sistemas elctricos, a menudo quedan bien
moldeadas mediante la distribucin exponencial. La realidad entre la gamma y la
exponencial permite que la gamma se involucre en tiempos de problemas
similares.
La distribucin gamma, deriva su nombre de la bien conocida funcin gamma, que
se estudia en muchas reas de las matemticas. Antes de que procedemos con la
distribucin gamma, revisemos esta funcin y algunas de sus propiedades
importantes.

La funcin gamma se define como:





Al integrar la formula u= obtenemos





Para , que produce la formula recursiva


5
MONTGOMERY, Douglas . Pg.155


La aplicacin repetida de la frmula de recursividad da



Y as sucesivamente. Ntese que cuando es un entero positivo




Sin embargo por la definicin




Y de aqu


Una propiedad importante de la fusin gamma, se deja al lector para su
verificacin.
Inclinaremos ahora la fusin gamma en nuestra difusin de la distribucin gamma.


La variable aleatoria continua x tiene una distribucin gamma, con parmetros
, si su fusin de densidad est dada por



En la figura 6.28 se muestran graficas de varias distribuciones en gamma para
ciertos valores especficos de los parmetros .La distribucin gamma
especial para la que se llama distribucin exponencial.







La variable aleatoria continua x tiene una distribucin exponencial, con parmetro
B, si su funcin de densidad est dada por



El siguiente teorema y corolario dan la media y la varianza de las distribuciones
gamma y exponencial.

La media y la varianza de la distribucin gamma son






Para encontrar la media de la distribucin gamma escribimos



Ahora bien, , que da



Para encontrar la varianza de la distribucin gamma, procedemos como antes
para obtener




Y entonces


La media y la varianza de la distribocion especial son




4.7 DISTRIBUCIN NORMAL

La distribucin normal es la ms importante en probabilidad y estadstica.
Muchas poblaciones numricas tienen distribuciones que se pueden ajustar con
mucha aproximacin mediante una curva normal apropiada. Como ejemplos
pueden citarse la estatura, peso y otras caractersticas fsicas (el famoso artculo
1903 de Biomtrica analiz muchos de este tipo), errores de medicin en
experimentos cientficos, mediciones antropomtricas efectuadas en fsiles,
tiempo de reaccin en experimentos psicolgicos, mediciones de inteligencia y
aptitud, calificaciones de diversas pruebas y numerosas medidas e indicadores
econmicos. Aun cuando la distribucin fundamental sea discreta, la curva normal
proporciona con frecuencia una aproximacin excelente. A dems cuando las
variables individuales no estn normalmente distribuidas, en condiciones
apropiadas las sumas y promedios de las variables tendrn aproximadamente una
distribucin normal.
6

La distribucin normal aparece en el estudio de muchos fenmenos fsicos
bsicos. Por ejemplo, el fsico James Maxwell desarrollo la distribucin normal a
partir de hiptesis muy sencillas con respecto a las velocidades de las molculas.
7

Una variable aleatoria X con funcin de densidad de probabilidad

( ( =

x c x fx
x
2
2
2
) (
2
1
) , , (
o

to
o
Tiene una distribucin normal con parmetros , donde -:<<:, y o>0.
As mismo E(x)= y v(x)=o
2

La deduccin de la media y la varianza de una variable aleatoria normal que
aparece al final de esta seccin. Los valores de y o determinar la forma de la
funcin de densidad de probabilidad. La funcin de densidad de densidad de
probabilidad es una curva simtrica con forma de campana. El valor de
determina el centro de la funcin de densidad de probabilidad, mientras que el de
la o determina la dispersin. Es evidente que fx(x,,o) es no negativa.

Es una distribucin continua que tiene por propiedades.
1.- Es simtrica.
2.- Se extiende en ambos sentidos del eje x.
3.- Es asinttica.


EJEMPLO:

a)


6
Ibd. Pg.155
7
MONTGOMERY, Douglas C. Op. Cit. Pg.175

( ) 34134 . 0 5 . 0 84134 . 0 1 0 = = < < Z P
b)
( ) = < < 2 1 Z P

85 . 81 % 100 * 81859 . 0
81859 . 0 47725 . 0 34134 . 0
=
= + = P

c)
06 . 1 16 . 0 ( < < Z P

41899 . 0 35543 . 0 06356 . 0 = + = P

d)
( ) = < < 33 . 2 03 . 1 Z P

= = 34849 . 0 49010 . 0 P
e)
( ) 9675 . 0 43 . 2 = < < z Z P

99 . 1 = z
f)
( ) 99 . 0 = < < z Z z P
58 . 2
58 . 2 5 . 0 4950 . 0
2
99 . 0
=
= + = =
z
P


g)
( ) = < < z z P 73 . 1 73 . 1

% 36 . 8 08364 . 0
2 04182 . 0 045818 . 0 1

= - =

h)
( ) = < > Z Z P 66 . 3 75 . 2

% 31 . 0 00311 . 0
00311 . 0 00073 . 0 00278 . 0
00073 . 0 99987 . 0 1
00278 . 0 99702 . 0 1

= = +
=
=

4.6 DISTRIBUCIN GAMMA (ERLANG)

4.7.1 APROXIMACIN DE LA BINOMIAL A NORMAL
8

Considere la variable aleatoria binomial y con par5ametros n y p. recuerde que y
tiene una media de =np y una varianza de =npq.
Hemos demostrado que el nmero de los xitos en n pruebas que se pierden
considerar como una suma de n valores de 0 y 1, donde cada 0 y 1 representa e3l
resultado de una prueba en particular, es decir



Entonces, segn el teorema del lmite central para las sumas, la distribucin y la
probabilidad binomial p (y) deber acercarse a la notabilidad conforme n aumente
la aproximacin normal de una distribucin de probabilidad binomial es
razonablemente aceptable incluso para nuestros pequeos, digamos, n=10
cuando p = .5 y la distribucin de y es, por tanto simtrica alrededor de su medio
= np cuando p de acerca a 0 la dispersin de la probabilidad binomial tiende a
sesgarse hacia la derecha o a la izquierda pero esta simetra desaparecer
conforma aumente n . En general la aproximacin ser buena cuando n sea lo
bastante grande como para que tanto -2=np+2npq queden entre 0 y n.
Sea y una distribucin de probabilidad binomial con n = 10 y p = .5.
a. Grafique p(y) y trace sobre la misma grafica una distribucin normal con
=np y = npq.
b. Utilice la tabla 1 del apndice 2 para obtener p(y4).
c. Utilice la aproximacin normal a la distribucin de probabilidad binomial
para obtener una aproximacin a p (y 4) .
a. Las grficas de p(y)y una distribucin normal con


8
MORRIS H. Probabilidad y estadstica pag.113.

Se muestran en la figura 7.13. Observe que tanto np = 5 como nq = 5 son mayores
que 4. Por tanto, la funcin de densidad normal con =5 y =1.58 constituye una
buena aproximacin a p(y)





b. De la tabla 1 del apndice 2, obtenemos





c. Si examinamos la figura 7.13, podremos ver que p(y 4 ) es el rea bajo la
curva normal que est a la izquierda de y =4.5. observe que el rea a la
izquierda de y =4 no sera apropiada porque omitira la mitad del rectngulo
de probabilidad para compensar el hecho de que estamos utilizando una
distribucin de probabilidad continua para aproximar una distribucin de
probabilidad discreta. El valor .5 se denomina factos de correccin por
continuidad para la aproximacin normal a la probabilidad binomial. El valor
z que corresponde al valor corregido y = 4.5 es




El rea entre z =0 y z =.32, dada en la tabla 4 del apndice 2 es A = .1255.
As que



Por tanto, la aproximacin normal a p (y4 ) = 3.77 es bastante buena,
aunque n = 10 es relativamente pequeo. El tamao de la muestra tendra
que ser mayor para aplicar la aproximacin si p no fuera igual a .5.

Correccin por continuidad para la aproximacin normal
A una probabilidad binomial

Sea y una variable aleatoria binomial con parmetros n y p y sea z una
variable aleatoria estndar. Entonces,




Sea y una variable aleatoria binomial con n = 5 y p =.3.
a. Utilice la tabla 1 del apndice 2 para obtener p(y8).
b. Utilice la aproximacin normal a la distribucin de probabilidad binomial
para calcular una aproximacin a p(y8). Compare su respuesta con la
del inciso a.
Consumer reports (febrero de 1992) descubri una contaminacin muy
extendida de pescado y mariscos en supermercados de Nueva York y
Chicago.

a. Utilice la aproximacin normal a la distribucin binomial para calcular
la probabilidad de que menos de 2 a los 20 trozos de pez espada
tengan niveles de mercurio por encima del lmite de la FDA.



b. Utilice la aproximacin normal a la distribucin binomial para calcular
la probabilidad de que ms de la mitad de los 20 trozos de pez
espada tangan niveles de mercurio por encima del lmite de la FDA .
c. Utilice las tablas binomiales para calcular las probabilidades exactas
de los incisos a y b. es la distribucin normal una buena
aproximacin a la distribucin binomial?
El proceso de incorporacin de un carril continuo de una autopista
constituye un aspecto importante de la operacin del trfico en los
cruces de autopistas. Un estudio de rampas de intercambio paralelas
en Israel develo que muchos conductores no utilizan toda la longitud
de los carriles paralelos para acelerar, si no que tan pronto como
pueden buscan un hueco apropiado en el flujo principal del trfico a
fin de incorporarse. En un lugar , 54% de los conductores utilizan
menos de la mitad de la longitud de carril disponible antes de
incorporase. Suponga que planeamos vigilar los patrones de
incorporacin de una muestra aleatoria de 330 conductores en
Yavneh.
a. Qu probabilidad aproximada hay de que menos de 100 de los
conductores utilicen menos de la mitad de la longitud del carril de
aceleracin antes de incorporarse?
c. qu probabilidad aproximada hay de que 200 o ms de los
conductores utilicen menos de la mitad de la longitud del carril de
aceleracin antes de incorporarse?
Ocupational Outlook quarterly informo que 1% de todos los instaladores
de pared seca empleados en la industria de la construccin son mujeres
a. Aproxime la probabilidad de que ms de 100 de una muestra
aleatoria de 500 instaladores de pared seca sean mujeres
b. Aproxime la probabilidad de que cinco o menos de muestra aleatoria
de 500 instaladores de pared seca sean mujeres

Una de las claves para crear sistemas de informacin exitosos es
implementar en diseo y tcnicas de programacin estructurados. La
tecnologa de ingeniera de software asistida por computadora
(CASE) proporciona varias herramientas automatizadas que pueden
facilitar las tcnicas estructuradas. El journal of system management
Informo que 60% de los profesionales en sistemas de informacin
utilizan extensamente diagramas de flujo de datos en su trabajo. En
una muestra de 150 profesionales de sistemas de informacin, Qu
probabilidad aproximada ah s que al menos la mitad utilicen
extensamente diagramas de flujo de datos?
El control de calidad es un problema cuando se producen artculos
en masa. Es preciso vigilar el proceso de produccin a fin de
asegurar que la proporcin de artculos defectuosos de mantenga
en un nivel aceptablemente bajo. Un mtodo para resolver este
problema es el muestreo de aceptacin de lote, en el que se
selecciona una muestra aleatoria de los artculos producidos y se
prueba cuidadosamente cada uno de los artculos de la muestra.
Suponga que un fabricante de calculadoras de bolsillo escoge al azar
200 circuitos impresos de la produccin de un da y determina y, el
nmero de circuitos defectuosos en la muestra. Si se considera
aceptable una proporcin de artculos defectuosos de 6% o menos y,
sin que el fabricante lo sepa, 8% de la produccin total de circuitos
de ese da tiene defectos, calcule la probabilidad aproximada de que
el lote de circuitos impresos ser rechazado.
Qu tan bien un ttulo universitario en ingeniera prepara a los
estudiantes para el trabaj? Una encuesta de 2 aos a nivel
nacional de ingenieros y gerentes de ingeniera estadounidenses en
industrias especficas de alta demanda revel que solo 34%cree
que sus compaas aprovechan bien los conocimientos y habilidades
que adquirieron. En una muestra aleatoria de 50 ingenieros y
gerentes en ingeniera, considere el nmero y de los que creen que
su empleador aprovecha bien sus antecedentes universitarios en
ingeniera, calcule la probabilidad aproximada es que


.
4.8 TEOREMA DE CHBYSHEV
Para demostrar cmo o o o
2
son indicadores de la dispersin de la
distribucin de una variable aleatoria, probaremos ahora el teorema siguiente,
conocido como teorema de Chbyshev. Este teorema ofrece una especie de
garanta mnima acerca de la probabilidad de una variable aleatoria a suma un
valor dentro de k desviaciones estancar alrededor de la media. Aunque la garanta
no siempre es muy precisa, la ventaja de este teorema es su generalidad por
cuanto es aplicable a cualquier variable aleatoria con cualquier distribucin de
probabilidad, ya sea discreta o continua.

Teorema de Chbyshev si y o son, respectivamente, la media y la
desviacin estndar de la variable aleatoria X, entonces para una constante
positiva k cualquiera la probabilidad es cuando menos 1-1/k
2
de que X tomara un
valor contenido en k desviaciones estndar de la media; en la forma simblica que
se tiene.
9

2
1
1 ) (
k
k X p > < o


9
MONTGOMERY, Douglas C. Op. Cit. Pg.101

EJEMPLO:
Si la densidad de la probabilidad de la variable aleatoria X esta dada por

Para 0<x<1


en otra parte
determine la probabilidad de que X tome un valor contenido en dos desviaciones
estndar de la media y comprela con el limite inferior proporcionado por el
teorema de Chbyshev.
La integracin directa muestra que = y o
2
= 1/44, de manera que o= 0.15 por
tanto, la probabilidad de que X tome un valor contenido en dos desviaciones
estndar de la media, es la probabilidad de que tome un valor entre 0.20 y 0.80, es
decir,
96 . 0 ) 1 ( 630 ) 80 . 0 20 . 0 (
4
80 . 0
20 . 0
4
= = < <
}
dx x x X p
Obsrvese en el enunciado la probabilidad es de 0.96 es mucho mas especifico
que la probabilidad es cuando menos de 0.75, enunciando, proporcionando por el
teorema de Chbyshev.

=
0
630
) (
4
x
x f