Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Parte 1 - Probabilidades Prof. María B. Pintarelli 83 5- VARIABLES ALEATORIAS BIDIMENSIONALES 5.1 – Generalidades Hasta ahora hemos considerado el caso de variables aleatorias unidimensionales. Esto es, el resultado del experimento de interés se registra como un único número real. En muchos casos, sin embargo, nos puede interesar asociar a cada resultado de un experimento aleatorio, dos o más características numéricas. Por ejemplo, de los remaches que salen de una línea de producción nos puede interesar el diámetro X y la longitud Y. Teniendo en cuenta la inevitable variabilidad en las dimensiones de los remaches debido a las numerosas causas presentes en el proceso de fabricación, los podemos representar asociándoles dos variables aleatorias X e Y que pueden pensarse como una variable aleatoria bidimensional: ( )YX , . Sea ε un experimento aleatorio y S un espacio muestral asociado a él. Sean RSX →: , RSY →: , que a cada resultado Ss∈ le asignan el par de números reales ( )yx, Llamaremos a ( )YX , variable aleatoria bidimensional. Si en lugar de dos variables aleatorias, tenemos n variables aleatorias nXXX ,...,, 21 , llamaremos a ( )nX,...,X,X 21 variable aleatoria n-dimensional En lo que sigue nos referiremos en particular a variables aleatorias n-dimensionales con n=2, es decir nos concentraremos en variables aleatorias bidimensionales por cuanto son las más simples de describir, fundamentalmente en relación a la notación. Pero debemos tener presente que las propiedades que estudiemos para ellas se pueden extender sin demasiada dificultad al caso general. Al conjunto de valores que toma la variable aleatoria bidimensional (X,Y) lo llamaremos recorrido de la v.a. (X,Y) y lo indicaremos XYR . En otras palabras ( ) ( ) ( ) ∈=== SsconsYyesXx:y,xRXY , es decir, es la imagen por ( )Y,X del espacio muestral S. Notar que el recorrido de (X,Y) es un subconjunto del espacio Euclidiano: 2RRXY ⊆ . Como antes, puede considerarse al recorrido XYR como un espacio muestral cuyos elementos son ahora pares de números reales. Como con cualquier espacio muestral, según el número de elementos que lo constituyen, podemos clasificar a los recorridos XYR en numerables (finitos o infinitos) y no-numerables. Los recorridos numerables son, en general, de la forma ( ) ( ) ( ) ( ){ }mnjiXY y,x,...,y,x,y,xm,..,jyn,...,,icony,xR 21112121 = === (finito) ( ) ( ) ( ){ },...y,x,y,x,..,jy,...,icony,xR jiXY 21112121 = === (infinito numerable) Los recorridos no numerables son regiones o subconjuntos no numerables del plano Euclidiano. Por ejemplo: ( ) ≤≤≤≤= dyc;bxa:y,xRXY (no numerable) Parte 1 - Probabilidades Prof. María B. Pintarelli 84 ( ){ }1:, 22 ≤+= yxyxRXY (no numerable) ( ) =≤≤= 321 c,c,cy,bxa:y,xR jjXY (no numerable “mixto”) cuyas gráficas se pueden apreciar en la figura siguiente. Notar en el último recorrido, X es v.a. continua e Y discreta. Clasificaremos a las variables aleatorias bidimensionales de la siguiente manera: ( )Y,X es v.a. bidimensional discreta si X e Y son discretas ( )Y,X es v.a. bidimensional continua si X e Y son continuas El caso X continua, Y discreta (o viceversa) no lo consideramos. Sea ( )Y,X una variable aleatoria bidimensional discreta y sea XYR su recorrido (numerable). Sea RR:p XY → una función que a cada elemento ( )ji y,x le asigna un número real ( )ji y,xp tal que ( ) ( ) XYjijiji Ry,xy,xpyY,xXP ∈∀= == y que verifica. a) ( ) ( ) XYjiji Ry,xy,xp ∈∀≥ 0 b) ( ) ( ) ( ) ∑ ∑∑ ∈ == XYji Ryx ji i j ji yxpyxp , 1,, A esta función la llamaremos función de probabilidad puntual conjunta de la variable aleatoria bidimensional ( )Y,X . En forma abreviada la designaremos fdp conjunta. Ejemplos: 1-Dos líneas de producción, señaladas I y II, manufacturan cierto tipo de artículo a pequeña escala. Supóngase que la capacidad máxima de producción de la línea I es cinco artículos por día, mientras que para la línea II es 3 artículos/día. Debido a los innumerables factores presentes en todo proceso de producción, el número de artículos realmente producido por cada línea puede pensarse como una variable aleatoria. En conjunto podemos pensar en una variable aleatoria bidimensional ( )Y,X discreta, donde la primera componente X corresponde a la producción de la línea I y la segunda componente Y a los artículos que salen de la línea II. La fdp conjunta correspondiente a variables aleatorias bidimensionales suele presentarse, por comodidad, como una tabla. Supongamos que la para la v.a. ( )Y,X que nos interesa aquí la tabla correspondiente a ( )ji y,xp es 0 0 0 0 0 a b x c d y y y 1 2 3 1 2 a b x RXY c1 c2 c3 -1 -1 Parte 1 - Probabilidades Prof. María B. Pintarelli 85 XY 0 1 2 3 4 5 0 0 0.01 0.03 0.05 0.07 0.09 1 0.01 0.02 0.04 0.05 0.06 0.08 2 0.01 0.03 0.05 0.05 0.05 0.06 3 0.01 0.02 0.04 0.06 0.06 0.05 ¿Cuál es la probabilidad de qué salgan más artículos de la línea I que de la línea II? Antes de calcular la probabilidad que nos pide el problema, hagamos algunas consideraciones sobre la tabla que representa a ( )ji y,xp . Se trata de una tabla a doble entrada donde en la primera fila se indican los valores que puede tomar la v.a. X (en este caso X=0,1,2,3,4,5) y la primera columna indica los valores que puede tomar la variable Y ( 0,1,2,3). Para determinar el valor de la ( )ji y,xp cuando la v.a. ( )Y,X toma el valor ( )ji y,x consideramos el número que se encuentra en la columna correspondiente a ixX = y la fila correspondiente a jyY = . Por ejemplo: ( ) ( ) 0502424 .Y,XP,p ==== . Podemos verificar fácilmente que la fdp conjunta definida por esta bien definida. En efecto verifica las condiciones a) ( ) ( ) XYjiji Ry,xy,xp ∈∀≥ 0 y b) ( ) ( ) ∑ ∈ = XYji Ry,x ji y,xp 1. Para contestar la pregunta del enunciado, consideremos el suceso XYRB ⊂ definido B: “es el suceso que ocurre cuando la línea I produce más artículos que la línea II” o, { }YXB >= . Luego: ( ) ( ) ( )∑ ∑ = > ==>= 3 0j jiy yx ji y,xpYXPBP 0.01+0.03+0.05+0.07+0.09+0.04+0.05+0.06+0.08+ +0.05+0.05+0.06+0.06+0.05=0.75. 2- Hay tres cajas registradoras a la salida de un supermercado. Dos clientes llegan a las cajas en diferentes momentos cuando no hay otros clientes ante aquellas. Cada cliente escoge una caja al azar e independientemente del otro. Sean las variables aleatorias X: “ nº de clientes que escogen la caja 1” e Y: “nº de clientes que escogen la caja 2”. Hallar la fdp conjunta de (X,Y) Podemos suponer que el espacio muestral original S es el conjunto de pares ordenados { })3,3();2,3();1,3();3,2();2,2();1,2();3,1();2,1();1,1(=S donde la primera componente del par indica la caja elegida por el cliente 1 y la segunda componente del par indica la caja elegida por el cliente 2. Además notar que X como Y pueden tomar los valores 0, 1, 2 El punto muestral (3,3) es el único punto muestral que corresponde al evento { }0,0 == YX Entonces 9 1 )0,0( === YXP ; pensando de forma análoga los otros casos: 9 2 )0,1( === YXP ; 9 1 )0,2( === YXP ; 9 2 )1,0( === YXP , 9 2 )1,1( === YXP , 9 1 )2,0( === YXP ; 0)2,2()2,1( ====== YXPYXP Disponemos estas probabilidades en una tabla de la siguienteforma Parte 1 - Probabilidades Prof. María B. Pintarelli 86 5.2 - Funciones de distribución marginales de una v.a. (X,Y) discreta En el ejemplo 1, supongamos que queremos saber cuál es la probabilidad de que el número de artículos producidos por la línea I sea 2, o sea )2( =XP Como el evento { }2=X es igual a { } { } { } { } { }( )32102 =∪=∪=∪=∩= YYYYX , y a su vez { } { } { } { } { }( ) { } { }( ) { } { }( ) { } { }( ) { } { }( )32221202 32102 =∩=∪=∩=∪=∩=∪=∩== ==∪=∪=∪=∩= YXYXYXYX YYYYX Entonces ( ) { } { }( ) { } { }( ) { } { }( ) { } { }( ) ∑ = =====+==+==+=== ==∩=+=∩=+=∩=+=∩== == 3 0 ),2()3,2()2,2()1,2()0,2( 32221202 2 j jYXPYXPYXPYXPYXP YXPYXPYXPYXP XP Razonando de la misma forma podemos escribir ( ) 5,...,1,0 ),( 3 0 ===== ∑ = ijYiXPiXP j Es decir obtenemos la función de distribución de probabilidad de X Análogamente obtenemos ( ) 3,2,1,0 ),( 5 0 ===== ∑ = jjYiXPjYP i Que es la función de distribución de probabilidad de Y En general se las denomina distribuciones marginales de X e Y, y su definición sería la siguiente Sea (X,Y) discreta y sea ( )ji y,xp (i=1,2,…n, j=1,2,…,m) su función de probabilidad conjunta (Eventualmente n y/o m pueden ser ∞ ). La función de probabilidad marginal de X es ( ) ( ) ( )∑ = === m j jiii yxpxXPxp 1 , (i=1,2,…,n) La función de probabilidad marginal de Y es ( ) ( ) ( )∑ = === n i jijj yxpyYPyq 1 , (j=1,2,…,m) Observación: Remarcamos que la función de probabilidad marginal de X, es decir ( )ixp calculada a partir de ( )ji y,xp en la forma indicada, coincide con la función de probabilidad de la variable aleatoria unidimensional X considerada en forma aislada. Análogamente la función de probabilidad marginal de Y \ X 0 1 2 0 1/9 2/9 1/9 1 2/9 2/9 0 2 1/9 0 0 Parte 1 - Probabilidades Prof. María B. Pintarelli 87 Y, es decir ( )jyq calculada a partir de ( )ji y,xp en la forma indicada, coincide con la función de probabilidad de variable aleatoria unidimensional Y considerada en forma aislada. Ejemplo: Siguiendo con el ejemplo 1, ( ) ( ) ( ) ( ) ( ) ( ) 280 0500600800903525150555 . ....,p,p,p,pXPp = +++=+++=== ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) 260 06005004002001015141312111011 . .....,p,p,p,p,p,pYPq = ++++=+++++=== Observemos que se verifica la condición de normalización para cada una de las marginales: ( )∑ = =+++++= 5 0 1280240210160080030 ix i ......xp ( )∑ = =+++= 3 0 1240250260250 jy j ....yq 5.3 - Funciones de probabilidades condicionales Consideremos nuevamente el ejemplo de las dos líneas I y II que producen cierto artículo a pequeña escala. Definimos la v.a. ( )Y,X cuya función de probabilidad conjunta ( )ji y,xp está dada por la tabla anterior que repetimos XY 0 1 2 3 4 5 q(yj) 0 0 0.01 0.03 0.05 0.07 0.09 0.25 1 0.01 0.02 0.04 0.05 0.06 0.08 0.26 2 0.01 0.03 0.05 0.05 0.05 0.06 0.25 3 0.01 0.02 0.04 0.06 0.06 0.05 0.24 p(xi) 0.03 0.08 0.16 0.21 0.24 0.28 1 Supongamos que deseamos conocer la probabilidad de que la línea I produzca tres artículos sabiendo que la línea II ha fabricado dos. Tenemos que calcular una probabilidad condicional. Entonces ( ) ( ) ( ) ( ) 2.0 25.0 05.0 2 2,3 2 2,3 23 === = == === q p YP YXP YXP En general definimos la función de probabilidad puntual de X condicional a Y como sigue: ( ) ( ) ( )( ) j ji jiji yq y,xp yYxXPyxp ==== , es decir como el cociente de la función de probabilidad conjunta de ( )Y,X y la función de probabilidad puntual marginal de Y. Análogamente, definimos la función de probabilidad puntual de Y condicional a X : Parte 1 - Probabilidades Prof. María B. Pintarelli 88 ( ) ( ) ( ) ( )i ji ijij xp y,xp xXyYPxyq ==== , es decir como el cociente de la función de probabilidad puntual conjunta de ( )Y,X y la función de probabilidad puntual marginal de X. 5.4– Variables aleatorias independientes Ya se discutió el concepto de independencia entre dos eventos A y B. Esas mismas ideas podemos trasladarlas en relación a dos variables aleatorias X e Y que, eventualmente, podemos considerarlas como las componentes de una variable aleatoria bidimensional ( )Y,X . De acuerdo con esto, intuitivamente decimos que dos variables, X e Y, son independientes si el valor que toma una de ellas no influye de ninguna manera sobre el valor que toma la otra. Esto lo establecemos más formalmente: Sea ( )Y,X una variable aleatoria bidimensional discreta. Sea ( )ji y,xp su fdp conjunta y ( )ixp y ( )jyq las correspondientes fdp marginales de X e Y. Decimos que X e Y son variables aleatorias independientes si y sólo si ( ) ( ) ( ) ( ) XYjijiji Ry,xyqxpy,xp ∈∀= Observación: Notar que para poder afirmar la independencia de X e Y debe cumplirse la factorización de la fdp conjunta como producto de las fdp marginales para todos los pares de valores de la v.a. ( )Y,X . Por lo tanto, para verificar la independencia es necesario demostrar la validez de la factorización para todos los pares. En cambio, es suficiente encontrar un solo par que no la verifica, para afirmar, de acuerdo con la definición, que las variables X e Y son no independientes, es decir, que son dependientes. Esto es, para demostrar la dependencia es suficiente con encontrar un solo par que no verifique la factorización señalada. Vimos que dos sucesos A y B son independientes si y sólo si ( ) ( )APBAP = y ( ) ( )BPABP = (donde por supuesto debía ser ( ) 0≠AP y ( ) 0≠BP ). En términos de variables aleatorias, esta forma de ver la independencia se manifiesta en la igualdad entre las fdp condicionales y las correspondientes fdp marginales, como demostramos en este Teorema Sea ( )Y,X una variable aleatoria bidimensional discreta cuyas fdp conjunta, condicionales y marginales son, respectivamente, ( )ji y,xp ; ( )ji yxp , ( )ij xyq y ( )ixp , ( )jyq . Entonces, X e Y son variables aleatorias independientes si y sólo si 1) ( ) ( ) ( ) XYjiiji Ry,xxpyxp ∈∀= , o 2) ( ) ( ) ( ) XYjijij Ry,xyqxyq ∈∀= , que es equivalente a lo anterior Parte 1 - Probabilidades Prof. María B. Pintarelli 89 Dem.) Demostraremos solamente 1). La equivalencia entre1) y 2) la dejamos como ejercicio. Para demostrar 1) verificaremos la doble equivalencia entre ésta y la definición de v.a. independientes. ⇒ ) Sean X e Y variables aleatorias independientes. Entonces ( ) XYji Ry,x ∈∀ ( ) ( )( ) ( ) ( ) ( ) ( )i j ji j ji ji xp yq yqxp yq y,xp yxp === Aquí la primera igualdad es la definición de fdp condicional y la segunda sale de la definición de independencia al suponer que X e Y son independientes. ⇐ ) Supongamos que se verifica 1). Entonces ( ) XYji Ry,x ∈∀ ( ) ( ) ( )( ) ( ) ( ) ( ) ( )jijii j ji iji yqxpy,xpxp yq y,xp xpyxp =→=→= → X e Y independientes Aquí, la primera implicación se debe a la definición de fdp condicional y la tercera a la definición de v.a. independientes. Ejemplo: 1- Supongamos que una máquina se usa para un trabajo específico a la mañana y para uno diferente en la tarde. Representemos por X e Y el número de veces que la máquina falla en la mañana y en la tarde respectivamente. Supongamos que la tabla siguiente da la función de probabilidad conjunta ( )ji y,xp de la variable aleatoria bidimensional discreta ( )Y,X . Y/X 0 1 2 q(yj) 0 0.1 0.2 0.2 0.5 1 0.04 0.08 0.08 0.2 2 0.06 0.12 0.120.3 P(xi) 0.2 0.4 0.4 1 Deseamos saber si las variables aleatorias X e Y son independientes o dependientes. Para demostrar que son independientes debemos probar que se verifica ( ) XYji Ry,x ∈∀ ( ) ( ) ( )jiji yqxpy,xp = Verificamos directamente que ( ) ( ) ( ) 5020001000 ..qp.,p ×=== ( ) ( ) ( ) 20201004010 ..qp.,p ×=== ( ) ( ) ( ) 30202006020 ..qp.,p ×=== ( ) ( ) ( ) 5040012001 ..qp.,p ×=== ( ) ( ) ( ) 20401108011 ..qp.,p ×=== ( ) ( ) ( ) 30402112021 ..qp.,p ×=== ( ) ( ) ( ) 5040022002 ..qp.,p ×=== ( ) ( ) ( ) 20401208012 ..qp.,p ×=== ( ) ( ) ( ) 30402212022 ..qp.,p ×=== Luego X e Y son independientes. Parte 1 - Probabilidades Prof. María B. Pintarelli 90 Podríamos haber usado las condiciones 1) ( ) ( ) ( ) XYjiiji Ry,xxpyxp ∈∀= , o su equivalente 2) ( ) ( ) ( ) XYjijij Ry,xyqxyq ∈∀= . Veamos, como muestra para un solo valor, que se verifica ( ) ( ) ( ) ( )240 20 080 1 12 12 p. . . q ,p p ==== . Para demostrar la independencia por este camino habría que demostrar que se cumple la condición para el resto de los pares de valores. Se deja este cálculo como ejercicio optativo. Observaciones 1- De la definición de las fdp marginales, vemos que tanto en el caso discreto como en el continuo, la fdp conjunta determina unívocamente las fdp marginales. Es decir, si ( )Y,X es discreta del conocimiento de la función de probabilidad conjunta ( )ji y,xp podemos determinar unívocamente las funciones de probabilidad ( )ixp y ( )jyq . Sin embargo la inversa no se cumple en general. Es decir del conocimiento de ( )ixp y ( )jyq no se puede, en general, reconstruir ( )ji y,xp a menos que X e Y sean variables independientes en cuyo caso es ( ) ( ) ( )jiji yqxpy,xp = . 2- El concepto de independencia entre dos variables aleatorias se puede generalizar a n variables aleatorias nXXX ,...,, 21 5.5 - Función de una variable aleatoria bidimensional Existen muchas situaciones en las que dado una variable aleatoria bidimensional nos interesa considerar otra variable aleatoria que es función de aquélla. Por ejemplo, supongamos que las variables aleatorias X e Y denotan la longitud y el ancho, respectivamente, de una pieza, entonces YXZ 22 += es una v.a. que representa el perímetro de la pieza, o la v.a. YXW .= representa el área de la pieza. Tanto Z como W son variables aleatorias. En general, sea S un espacio muestral asociado a un experimento probabilístico ε , sean RS:X → e RS:Y → dos variables aleatorias que definen una variable aleatoria bidimensional ( )Y,X cuyo recorrido es XYR , y sea una función de dos variables reales RR:H XY → que a cada elemento ( )y,x del recorrido XYR le hace corresponder un número real ( )y,xHz = , entonces la función compuesta ( ) RSYXHZ →= :, es una variable aleatoria, puesto que a cada elemento Ss∈ le hace corresponder un número real ( ) ( )[ ]sY,sXHz = . Diremos que la variable aleatoria Z es función de la variable aleatoria bidimensional (X,Y). Algunas variables aleatorias que son función de variables aleatorias bidimensionales son YXZ += , Y.XZ = , Y/XZ = , ( )Y,XmínZ = , ( )Y,XmáxZ = , etc. Lo anterior se puede generalizar si en lugar de dos variables aleatorias tenemos n variables aleatorias nXXX ,...,, 21 , y ( )nxxxHz ,..., 21= es una función de n variables a valores reales. Parte 1 - Probabilidades Prof. María B. Pintarelli 91 Ejemplos: 1- Sea ),(~ pnBZ Podemos escribir a Z como suma de variables aleatorias de la siguiente forma. Recordar que Z cuenta el número de éxitos en n repeticiones o ensayos del experimento ε Si definimos − = contrariocaso éxitoocurrederepeticiónésimaílaensi X i 0 1 ε ni ,...,2,1= Notar que a cada iX se la puede considerar ),1( pB , y además nXXX ,...,, 21 son independientes Podemos escribir nXXXZ +++= ...21 2- Sea Z v.a. binomial negativa con parámetros r y p, es decir ),( ~ prBNZ Si definimos 1X : “número de repeticiones del experimento requeridos hasta el 1º éxito” 2X : “número de repeticiones del experimento adicionales requeridos hasta el 2º éxito” 3X : “número de repeticiones del experimento adicionales requeridos hasta el 3º éxito” Y en general iX : “número de repeticiones del experimento adicionales después del (i-1)–ésimo éxito requeridos hasta el i-ésimo éxito” Entonces cada variable tiene distribución geométrica con parámetro p y rXXXZ +++= ...21 Notar además que rXXX ,...,, 21 son independientes Esperanza de una v.a. que es función de una v.a. bidimensional Sea una variable aleatoria bidimensional ( )Y,X cuya fdp conjunta es la función de probabilidad conjunta ( )ji y,xp si es discreta o la función de densidad de probabilidad conjunta ( )y,xf si es continua y sea una función real de dos variables ( )y,xHz = de manera que podemos definir una variable aleatoria Z que es función de la variable aleatoria bidimensional ( )Y,X de la forma ( )Y,XHZ = . Si la fdp de Z es ( )izq , siendo Z discreta, entonces la esperanza matemática de Z es, de acuerdo con la definición general, ( ) ( )∑ ∈ = Xi Rx ii zq.zZE (Z discreta) Nuevamente lo interesante es considerar la posibilidad de evaluar ( )ZE sin tener que calcular previamente la fdp de Z. El siguiente teorema nos muestra cómo hacerlo. Teorema Sea (X,Y) una variable aleatoria bidimensional y sea Z=H(X,Y) una variable aleatoria que es función de (X,Y). Si Z es variable aleatoria discreta que proviene de la variable aleatoria bidimensional discreta (X,Y) cuyo recorrido es XYR y su fdp conjunta es ( )ji y,xp , entonces: ( ) ( )[ ] ( ) ( ) ( ) ∑ ∈ == XYji Ry,x jiji y,xpy,xHY,XHEZE Dem.) sin demostración Parte 1 - Probabilidades Prof. María B. Pintarelli 92 Esperanza de una suma de variables aleatorias Dem.) en el teorema anterior consideramos yxyxH +=),( Si (X,Y) es discreta ( ) ( )[ ] ( ) ( ) ( ) =+=== ∑∑ ∈∈ ),()(,,, ),(, j Ryx iji Ryx jiji yxpyxyxpyxHYXHEZE XYjiXYji Aplicando la propiedad distributiva y separando en dos sumas ( ) =+=+= ∑∑∑ ∈∈∈ ),(),(),()( ),(),(),( j Ryx ijji Ryx ij Ryx iji yxpyyxpxyxpyxZE XYjiXYjiXYji ∑ ∑∑ ∑∑∑∑∑ =+=+= j i jij i j jiiji i j jji i j i yxpyyxpxyxpyyxpx ),(),(),(),( Pero )(),(∑ = j iji xpyxp y )(),(∑ = i jji yqyxp , por lo tanto )()()()( YEXEyqyxpx j jji i i +=+= ∑∑ Para el caso (X,Y) continua sigue siendo válida esta propiedad. Podemos generalizar la propiedad anterior a un número finito cualquiera de variables aleatorias: (leeremos: “la esperanza de la suma es la suma de las esperanzas”) Dem.) Se deduce por inducción completa sobre el número n de variables aleatorias. Observación: se deduce que la esperanza verifica la propiedad lineal: ( )∑∑ == = n i ii n i ii XEaXaE 11 . Ejemplos: 1- Vamos a aplicar algunas de las propiedades anteriores para calcular de una manera alternativa la esperanza matemática de una variable aleatoria X distribuida binomialmente. Sea entonces una v.a. X∼B(n,p). Ya vimos que podemos escribir nXXXX +++= ...21 donde cada iX se la puede considerar ),1( pB , y además nXXX ,...,, 21 son independientes SeanX e Y dos variables aleatorias arbitrarias. Entonces ( ) ( ) ( )YEXEYXE +=+ . Sean nX,...,X,X 21 n variables aleatorias arbitrarias. Entonces: ( ) ( ) ( ) ( )nn XE...XEXEX...XXE +++=+++ 2121 o, en notación más concentrada,: ( )∑∑ == = n i i n i XEXE 11 1 Parte 1 - Probabilidades Prof. María B. Pintarelli 93 Entonces pXPXPXPXE iiii ====×+=×= )1()0(0)1(1)( para cualquier i Por lo tanto ( ) ( ) ( ) ( ) nppppXEXEXEXXXEXE vecesn nn =+++=+++=+++= 4434421 .........)( 2121 Observación: muchas veces es conveniente descomponer una variable aleatoria como suma de otras más simples para facilitar los cálculos 2- Esperanza de una v.a. binomial negativa Cuando se trató la v.a. binomial negativa se dijo cuál era su esperanza. Ahora damos una demostración Sea X v.a. binomial negativa con parámetros r y p, es decir ),( ~ prBNX Si definimos 1X : “número de repeticiones del experimento requeridos hasta el 1º éxito” 2X : “número de repeticiones del experimento adicionales requeridos hasta el 2º éxito” 3X : “número de repeticiones del experimento adicionales requeridos hasta el 3º éxito” Y en general iX : “número de repeticiones del experimento adicionales después del (i-1)–ésimo éxito requeridos hasta el i-ésimo éxito” Entonces cada variable tiene distribución geométrica con parámetro p y rXXXX +++= ...21 Por lo tanto ( ) ( ) ( ) ( ) p r p r ppp XEXEXEXXXEXE vecesr rr ==+++=+++=+++= 11 ... 11 ......)( 2121 44 344 21 3- Esperanza de una v.a. hipergeométrica )( entonces ) ,( ~ Si N nM XENM,nHX = Para facilitar la demostración supongamos que tenemos N bolillas en una urna de las cuales M son rojas y N-M son blancas. Queremos hallar el número esperado de bolillas rojas extraídas Definimos las variables − = contrariocaso extraídaesrojabolillaésimailasi X i 0 1 Las variables MXXX ,..., 21 no son independientes Se puede escribir MXXXX +++= ...21 , además N n n N n N XPXE ii = − − === 1 1 1 1 )1()( Por lo tanto Parte 1 - Probabilidades Prof. María B. Pintarelli 94 ( ) ( ) ( ) ( ) N nM N n M N n N n N n XEXEXEXXXEXE vecesM MrM ==+++=+++=+++= 44 344 21 .........)( 2121 Ejemplo El espesor X de una cuña de madera (en milímetros) tiene una función de densidad de probabilidad a) Determine E(X) b) Si Y denota el espesor de una cuña en pulgadas (1mm = 0.0394 pulgadas), determine E(Y) c) Si se seleccionan tres cuñas de manera independiente y las apilamos una encima de otra, encuentre la me- dia y la varianza del espesor total. a) Verifique el lector que 5)5( 4 3 4 3 )( 6 4 2 = −−= ∫ dxxxXE b) XY 0394.0= entonces 197.0)(0394.0)0394.0()( === XEXEYE c) Notar que si iX : “espesor de cuña i” , i = 1, 2, 3 entonces XXXX 321 ++= es el espesor total Por lo tanto 15555)()()()()( 321321 =++=++=++= XEXEXEXXXEXE En general la esperanza de un producto de variables aleatorias no es igual al producto de las esperanzas (leeremos:” la esperanza del producto es el producto de las esperanzas”). Dem.) análoga a la demostración de la propiedad anterior. Para el caso (X,Y) continua sigue siendo válida esta propiedad. Ejemplo: Supongamos que debido a innumerables causas incontrolables la corriente i y la resistencia r de un circuito varían aleatoriamente de forma tal que pueden considerarse como variables aleatorias I y R independientes. Supongamos que las correspondientes fdp son: ( ) ≤≤ = valoresdemás ii ig 0 102 ( ) ≤≤ = valoresdemás r r rh 0 30 9 2 Nos interesa considerar el voltaje r.iv = de manera que podemos definir la variable aleatoria R.IV = . Hallar el valor esperado o esperanza matemática del voltaje: ( )VE . Como I y R son independientes, usando la propiedad anterior ( ) )()( REIEVE = Si ( )Y,X es una variable aleatoria bidimensional tal que X e Y son variables aleatorias independientes, entonces: ( ) ( ) ( )YE.XEY.XE = ( ) ≤≤ − −= lado otroen 0 64 4 5 3 4 3 )( 2 x x xf Parte 1 - Probabilidades Prof. María B. Pintarelli 95 3 2 3 2)2()( 1 0 31 0 === ∫ i diiiIE 1 9 3 9 1 49 1 9 )( 4 3 0 43 0 2 =×== = ∫ r dr r rRE 3 2 1 3 2 )( =×=∴ VE Varianza de una suma de variables aleatorias . Dem.) Escribimos la varianza en su forma alternativa ( ) [ ]( ) ( )[ ]22 YXEYXEYXV +−+=+ . Desarrollamos los cuadrados y aplicamos la propiedad lineal de la esperanza: ( ) ( ) ( ) ( )[ ] ( ) ( ) ( ) ( )[ ] ( ) ( ) ( )[ ]{ }2222 222 22 2 YEYEXEXEYEY.XEXE YEXEYY.X.XEYXV ++−++= +−++=+ Agrupando convenientemente: ( ) ( ) ( )[ ]{ } ( ) ( )[ ]{ } ( ) ( ) ( ){ } ( ) ( ) ( ) ( ) ( ){ }YEXEY.XEYVXV YEXEY.XEYEYEXEXEYXV −++= −+−+−=+ 2 2 2222 , es decir ( ) ( ) ( ) XYσYVXVYXV 2++=+ Observaciones: 1- Teniendo presente la definición de la desviación estándar de una v.a. X: ( )XVσ X = , vemos que a la propiedad anterior la podemos escribir: ( ) XYYX σσσYXV 222 ++=+ 2- Análogamente se prueba que ( ) XYYXYXV σσσ 222 −+=− 3- X e Y son independientes, entonces ( ) ( ) ( )YVXVYXVYXV +=−=+ )( Esto es porque si las variables aleatorias X e Y son independientes, entonces ( ) ( ) ( )YE.XEY.XE = . Por lo tanto la covarianza vale cero : ( ) ( ) ( ) 0=−= YE.XEY.XEσ XY . ( ) ( ) ( ) XYYVXVYXV σ2++=+ con ( ) ( ) ( )YE.XEY.XEσ XY −= ( ) ( ) ( )YE.XEY.XEσ XY −= se la llama la covarianza de X e Y. Parte 1 - Probabilidades Prof. María B. Pintarelli 96 4- Podemos generalizar, usando el principio de inducción completa, al caso de n variables aleatorias independientes: Si nX,...,X,X 21 son n variables aleatorias independientes entonces: ( ) ( ) ( ) ( )nn XV...XVXVX...XXV +++=+++ 2121 o, en forma más compacta, ( )∑∑ == = n i i n i i XVXV 11 . 5- Vemos que la esperanza de la suma de dos variables aleatorias X e Y es igual a la suma de las esperanzas ( ) ( ) ( )YEXEYXE +=+ cualesquiera sean X e Y . En cambio la varianza de la suma de las variables aleatorias X e Y es, en general, igual a la suma de las varianzas, ( ) ( ) ( )YVXVYXV +=+ , sólo si X e Y son variables independientes. Ejemplos: 1- Podemos ejemplificar la aplicación de las propiedades de la varianza, calculando nuevamente la varianza de una v.a. X distribuida binomialmente con parámetros n y p. Sea entonces una v.a. X∼B(n,p). Vimos que se puede escribir: nXXXX +++= ...21 , donde las n variables aleatorias son independientes entre sí y tienen todas la misma distribución: ( )pBX i ,1∼ n,...,,i 21=∀ Entonces, tratándose de n variables aleatorias independientes ( ) ( ) ( ) ( )nXVXVXVXV +++= ...21 todas la varianzas son iguales y podemos escribir la suma como n veces unacualquiera de ellas: ( ) ( )iXnVXV = . Pero ( ) ( ) ( )[ ]22 iii XEXEXV −= . Ya vimos que ( ) ( ) 010.1 =−+= ppXE i Además es: ( ) ( ) pppXE i =−+= 10.1 222 Entonces: ( ) ( ) ( )[ ] ( )ppppXEXEXV iii −=−=−= 1222 . Luego: ( ) ( ) ( )pnpXnVXV i −== 1 que es el resultado que habíamos obtenido a partir de la definición y llevando las sumas involucradas a la forma del desarrollo de un binomio de Newton. 2- Varianza de una v.a. binomial negativa Ya vimos que podemos escribir rXXXX +++= ...21 , donde cada variable iX tiene distribución geométrica con parámetro p Por lo tanto ( ) ( ) ( ) ( ) 221 1 ... p p rXVXVXVXV r − =+++= 5.6 - Covarianza Sean X e Y dos variables aleatorias. La covarianza de X e Y se define: ( )[ ] ( )[ ]{ } ( ) ( ) ( )YEXEYXEYEYXEXEYXCov ...),( −=−−= Parte 1 - Probabilidades Prof. María B. Pintarelli 97 Notación: la notación usual para la covarianza de X e Y es XYσ o ),( YXCov La última igualdad surge de desarrollar el producto y aplicar las propiedades de la esperanza: ( )[ ] ( )[ ]{ } ( ) ( ) ( ) ( ){ }YEXEY.XEYE.XY.XEYEY.XEXE +−−=−− Teniendo presente que ( )XE y ( )YE son constantes: ( )[ ] ( )[ ]{ } ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )YE.XEY.XEYEXEYEXEYE.XEY.XEYEY.XEXE −=+−−=−− . Dem. ) Según vimos, si X e Y son variables aleatorias independientes, entonces ( ) ( ) ( )YE.XEY.XE = , de donde se sigue la propiedad. Propiedades de la covarianza Las siguientes propiedades son útiles y su verificación se deja como ejercicio 1- ),(),( YXbdCovdYcbXaCov =++ 2- ),(),(),( ZYCovZXCovZYXCov +=+ 3- ∑∑∑∑ = === = n i m j ji m j j n i i YXCovYXCov 1 111 ),(, 4- )(),( XVXXCov = Ejemplos: 1)Varianza de una v.a. hipergeométrica − − −= 1 )( entonces ) ,( ~ Si N nN N MN N M nXVNM,nHX Para facilitar la demostración supongamos que tenemos N bolillas en una urna de las cuales M son rojas y N-M son blancas. Queremos hallar la varianza del número de bolillas blancas extraídas Como antes definimos las variables − = contrariocaso extraídaesrojabolillaésimailasi X i 0 1 Las variables MXXX ,..., 21 no son independientes Se puede escribir MXXXX +++= ...21 , además N n n N n N XPXE ii = − − === 1 1 1 1 )1()( y ( ) −= −=−= N n N n N n N n XEXEXV iii 1)()()( 2 22 Si X e Y son variables aleatorias independientes, entonces 0),( =YXCov . Parte 1 - Probabilidades Prof. María B. Pintarelli 98 Por lo tanto ),(2)()...()( 1 1 21 j M i Mji iiM XXCovXVXXXVXV ∑ ∑ = ≤≤< +=+++= Por otro lado )()()();( jijiji YEXEXXEXXCov −= Y )1( )1( )( − − = NN nn XXE ji , entonces 2 )1( )1( );( − − − = N n NN nn XXCov ji Aplicando algunos pasos algebraicos se llega a − − −= − − − = N n NN n N n NN nn XXCov ji 1 1 1 )1( )1( );( 2 Reemplazando − − − + −=+=∑ ∑ = ≤≤< N n N n N M N n N n MXXCovXVXV j M i Mji ii 1 1 1 2 21),(2)()( 1 1 Nuevamente, luego de algunos cálculos algebraicos se llega a − − −= 1 )( N nN N MN N M nXV 2) De una caja con frutas que contiene 3 naranjas, 2 manzanas y 3 plátanos se selecciona una muestra de 4 frutas. Sean las variables aleatorias X: “ nº de naranjas extraídas” Y: “nº de manzanas extraídas” Notar que la f.d.p. conjunta de (X,Y) es 41 ; 2 ,1 ,0 ; 3 ,2 ,1 ,0 4 8 4 323 ),( ≤+≤== −− === yxyx yxyx yYxXP Es un ejemplo de v.a. hipergeométrica bidimensional. También se podría haber presentado la f.d.p. conjunta en una tabla, donde también figuran las distri- buciones marginales de X e Y. a) ¿Cuales son E(X) , V(X), E(Y) y V(Y)? 2 3 70 105 70 3 3 70 9 2 70 3 1 0 0)( == =×+×+×+×=XE 1 70 15 2 70 40 1 70 15 0)( =×+×+×=YE Verifique el lector que 28 15 )( =XV y 7 3 )( =YV X/Y 0 1 2 0 0 2/70 3/70 5/70 1 3/70 18/70 9/70 30/70 2 9/70 18/70 3/70 30/70 3 3/70 2/70 0 5/70 15/70 40/70 15/70 Parte 1 - Probabilidades Prof. María B. Pintarelli 99 b) ¿Son X e Y independientes? 0)0,0( === YXP pero 0 70 15 70 5 )0()0( ≠=== YPXP Por lo tanto X e Y son dependientes, lo que implica que 0),( ≠YXCov c) ¿Cuál es la Cov(X,Y)? )()()(),( YEXEXYEYXCov −= 70 90 023 70 2 13 70 3 03 70 3 22 70 18 12 70 9 02 70 9 21 70 18 11 70 3 01 70 3 20 70 2 10000)( =××+××+××+ +××+××+××+ +××+××+××+ +××+××+××=XYE Entonces 14 3 1 2 3 7 9 )()()(),( −=×−=−= YEXEXYEYXCov d) Z = X+Y simboliza el total de naranjas y manzanas extraídas ¿Cuál es la E(Z) y V(Z) ? 5.21 2 3 )()()()( =+=+=+= YEXEYXEZE 28 15 14 3 2 7 3 18 15 ),(2)()()( = −×++=++= YXCovYVXVZV e) Supongamos que cada naranja cuesta 2$ y cada manzana cuesta 1.5$ entonces YXW 5.12 += es el costo del total de frutas extraídas. Hallar E(W) y V(W) $5.4)(5.1)(2)5.12()( =+=+= YEXEYXEWE 28 51 ),(5.122)(5.1)(2)5.12()( 22 =××++=+= YXCovYVXVYXVWV 5.7 - Coeficiente de correlación lineal. En realidad más que la covarianza aquí nos interesa considerar una cantidad relacionada con XYσ y que según veremos nos dará información sobre el grado de asociación que existe entre X e Y . Más concretamente nos contará si existe algún grado de relación lineal entre X e Y . Esa cantidad es el coeficiente de correlación lineal. En el mismo sentido en que podemos tener una idea aproximada sobre la probabilidad de un suceso A si repetimos el experimento y consideramos las ocurrencias de A en las n repeticiones, así podemos tener también una primera idea sobre la existencia de una relación funcional, específicamente una relación lineal, entre X e Y si consideramos un diagrama de dispersión. Consiste en Parte 1 - Probabilidades Prof. María B. Pintarelli 100 dibujar pares de valores ( )ji y,x medidos de la variable aleatoria ( )Y,X en un sistema de coordenadas. En la figura mostramos diversas situaciones posibles. De la figura a se deduciría que entre X e Y no hay ningún tipo de relación funcional. La figura b sugiere la posibilidad de que exista una relación funcional que corresponde a una parábola. La figura c, por su parte, sugiere una relación lineal entre X e Y . Este último es el comportamiento que nos interesa caracterizar. Con ese fin definimos el coeficiente de correlación lineal como sigue: En consecuencia: ( )[ ] ( )[ ]{ } ( ) ( ) ( ) ( ) ( ) ( ) ( )YV.XV YE.XEY.XE YV.XV YEY.XEXE ρXY − = −− = . Daremosuna serie de propiedades de XYρ que nos permitirán establecer más concretamente su significado. Propiedad 1 Dem.) inmediata a partir del hecho que si X e Y son independientes entonces )()()( YEXEXYE = Observación: La inversa no es necesariamente cierta. Puede ser que 0=XYρ y sin embargo X e Y no sean variables aleatorias independientes. En efecto si tenemos una v.a. bidimensional ( )Y,X que da lugar a un diagrama de dispersión como el que se muestra en la figura, veremos que correspondería a un coeficiente de correlación lineal 0=XYρ y sin embargo la figura sugiere que entre X e Y existe la relación funcional 122 =+YX , es decir X e Y son v.a. dependientes. En realidad, como veremos, XYρ es 0 0 a b c x x y y y (xi yi) x Sea ( )Y,X una variable aleatoria bidimensional. Definimos el coeficiente de correlación lineal entre X e Y como YX XY YXCov σσ ρ ),( = Si X e Y son variables aleatorias independientes entonces 0=XYρ . Parte 1 - Probabilidades Prof. María B. Pintarelli 101 una medida de la existencia de una relación lineal entre X e Y y una circunferencia se aleja mucho de una línea recta. Propiedad 2 : Dem.) Si consideramos la v.a. YX YX σσ + entonces ( )XY YXYXYX YXCovYVXVYX V ρ σσσσσσ +=++= +≤ 12 ),(2)()( 0 22 Implicando que XYρ≤−1 Por otro lado: ( )XY YXYXYX YXCovYVXVYX V ρ σσσσσσ −=−+= −≤ 12 ),(2)()( 0 22 Implicando que 1≤XYρ 11 ≤≤−∴ XYρ Propiedad 3 : Dem.) Si 12 =XYρ entonces 1=XYρ o 1−=XYρ Si 1−=XYρ entonces de la demostración anterior se deduce que y x 0 1 2 3 -1 -2 -1 1 11 ≤≤− XYρ Si 12 =XYρ , entonces con probabilidad 1 es BX.AY += donde A y B son constantes. Parte 1 - Probabilidades Prof. María B. Pintarelli 102 ( ) 012 =+= + XY YX YX V ρ σσ , lo que implica que la v.a. YX YX Z σσ += tiene varianza cero. Según la interpretación de varianza podemos deducir (en forma intuitiva) que la v.a. no tiene dispersión con respecto a su esperanza, es decir la v.a. Z es una constante con probabilidad 1 Por lo tanto esto implica que BX.AY += con 0<−= X YA σ σ Análogamente 1=XYρ implica que BX.AY += con 0>= X YA σ σ Propiedad 4 : Dem.) se deja como ejercicio Observación: Claramente las propiedades anteriores establecen que el coeficiente de correlación lineal es una medida del grado de linealidad entre X e Y. Ejemplo En el ejemplo anterior 44721.0 5 5 7 3 28 15 14 3 )()( ),( −=−= − == YVXV YXCov XYρ Si X e Y son dos variables aleatorias tales que BX.AY += , donde A y B son constantes, entonces 12 =XYρ . Si 0>A es 1=XYρ y si 0<A es 1−=XYρ . Parte 1 - Probabilidades Prof. María B. Pintarelli 103 6- SUMA DE VARIABLES ALEATORIAS Y TEOREMA CENTRAL DEL LÍMITE 6.1 – Suma de variables aleatorias independientes Cuando se estudiaron las variables aleatorias bidimensionales se habló de una función de variable aleatoria bidimensional. En particular se nombró la suma de n variables aleatorias, pero no se dijo nada sobre la distribución de esa v.a. suma. Es a menudo importante saber cuál es la distribución de una suma de variables aleatorias independientes. Consideramos algunos ejemplos en el caso discreto 1- Suma de variables aleatorias independientes con distribución Poisson )(~ ntesindependie Yy ; )(~ ; )(~ 2121 λλλλ ++⇒ PYXXPYPX Dem.) Consideramos el evento { }nYX =+ como unión de eventos excluyentes { } nkknYkX ≤≤−== 0 , , entonces ( ) = − =−===−====+ − − = − == ∑∑∑ !!)()(),()( 2 0 1 00 21 kn e k eknYPkXPknYkXPnYXP knn k kn k n k λλ λλ X e Y independientes ( ) ( ) ( )nkn n k k n k knk n e knk n n e knk e 21 )( 2 0 1 )( 0 21)( !!! ! !!! 2121 21 λλλλ λλ λλλλλλ += − = − = +− − = +− = − +− ∑∑ Binomio de Newton O sea X+Y tiene distribución Poisson con parámetro 21 λλ + 2- Suma de variables aleatorias binomiales independientes ),(~ ntesindependie Yy ; ),(~ ; ),(~ 2121 pnnBYXXpnBYpnBX ++⇒ Dem.) Nuevamente consideramos el evento { }kYX =+ como unión de eventos excluyentes { } 10 , niikYiX ≤≤−== , entonces =− − − =−===−====+ +−−− === ∑∑∑ iknikini n k n i n i pp ik n pp i n ikYPiXPikYiXPkYXP 21 111 )1()1()()(),()( 2 0 1 00 X e Y independientes − −= ∑ = −+ ik n i n pp n i knnk 2 0 1 1 21)1( En la expresión anterior si rj > entonces 0= j r Parte 1 - Probabilidades Prof. María B. Pintarelli 104 Por último usamos la siguiente identidad combinatoria ∑ = + = − 1 0 2121 n i k nn ik n i n Y entonces knnk pp k nn kYXP −+− + ==+ 21)1()( 21 O sea X+Y tiene distribución binomial con parámetros 21 nn + y p Observación: en los dos casos anteriores se puede generalizar el resultado a n variables aleatorias independientes, usando el principio de inducción completa, es decir 1- Si nXXX ,...,, 21 son n variables aleatorias independientes donde )(~ ii PX λ para todo ni ,...,2,1= entonces )(~ 00 ∑∑ == n i i n i i PX λ 2- Si nXXX ,...,, 21 son n variables aleatorias independientes donde ),(~ pnBX ii para todo ni ,...,2,1= entonces ),(~ 00 pnBX n i i n i i ∑∑ == Suma de variables aleatorias normales independientes Si X e Y son dos variables aleatorias continuas independientes con densidades g(x) y h(y) respectivamente se puede probar (no lo demostraremos aquí) que la v.a. YXZ += tiene densidad dada por ∫ ∞ ∞− + −= dyyhyzgzf YX )()()( Usando esto se puede demostrar el siguiente importante resultado: Por inducción completa se puede generalizar este resultado a n variables: De lo anterior y del hecho que ( ) ),~ ,~ 222 σµσµ abN(abaXNX ++⇒ tenemos: Si nXXX ,...,, 21 son n variables aleatorias independientes donde ),(~ 2 iii NX σµ para todo ni ,...,2,1= entonces ),(~ 1 2 00 ∑∑∑ === n i i n i i n i i NX σµ Si nXXX ,...,, 21 son n variables aleatorias independientes donde ),(~ 2 iii NX σµ para todo ni ,...,2,1= entonces ),(~ 1 22 00 ∑∑∑ === n i ii n i ii n i ii aaNXa σµ donde naaa ,...,, 21 son números reales Si X e Y son variables aleatorias independientes donde ( ) ,~ 211 σµNX y ( ) ,~ 222 σµNY entonces ( ) ,~ 222121 σσµµ +++ NYX Parte1 - Probabilidades Prof. María B. Pintarelli 105 Se dice que ∑ = n i ii Xa 0 es una combinación lineal de variables aleatorias. Ejemplos: 1- La envoltura de plástico para un disco magnético está formada por dos hojas. El espesor de cada una tiene una distribución normal con media 1.5 milímetros y desviación estándar de 0.1 milí- metros. Las hojas son independientes. a) Determine la media y la desviación estándar del espesor total de las dos hojas. b) ¿Cuál es la probabilidad de que el espesor total sea mayor que 3.3 milímetros? Solución: Sean las variables aleatorias X: “espesor de la hoja 1” e Y: “espesor de la hoja 2” Entonces )1.0,5.1~ 2N(X ; )1.0,5.1~ 2N(Y y X e Y independientes a) Si definimos la v.a. Z: “espesor total de las dos hojas” , entonces YXZ += Por lo tanto )1.01.0 ,5.15.1~ 22 ++N(Z es decir )02.0 ,3~ N(Z En consecuencia 3)( =ZE , 02.0)( == ZVZσ b) Se pide calcular )3.3( >ZP ( ) 017.0983.0112132.21 02.0 33.3 1 02.0 33.3 02.0 3 )3.3( =−=Φ−= − Φ−= − > − => Z PZP 2-Tengo tres mensajes que atender en el edificio administrativo. Sea Xi : “ el tiempo que toma el i- ésimo mensaje” (i = 1, 2 ,3), y sea X4 : “ el tiempo total que utilizo para caminar hacia y desde el edificio y entre cada mensaje”. Suponga que las Xi son independientes, normalmente distribui- das, con las siguientes medias y desviaciones estándar: 3 ,12 ,2 ,8 ,1 ,5 ,4 min,15 44332211 ======== σµσµσµσµ Pienso salir de mi oficina precisamente a las 10.00 a.m. y deseo pegar una nota en mi puerta que dice “regreso a las t a.m.” ¿A qué hora t debo escribir si deseo que la probabilidad de mi llegada después de t sea 0.01? Solución: Definimos la v.a. Z: “tiempo transcurrido desde que salgo de mi oficina hasta que re- greso”, entonces 4321 XXXXT +++= Por lo tanto ∑∑ == 4 1 2 4 1 ,~ i i i iNT σµ , y se pide hallar t tal que 01.0)( => tTP 50128515 4 1 =+++=∑ =i iµ y 303214 222 4 1 22 =+++=∑ =i iσ Entonces 01.0 30 50 1)( = − Φ−=> t tTP , es decir 99.0 30 50 = − Φ t Buscando en la tabla de la normal 7619.62503033.2 33.2 30 50 =+×=⇒= − t t 3- El ancho del marco de una puerta tiene una distribución normal con media 24 pulgadas y des- viación estándar de 1/8 de pulgada. El ancho de la puerta tiene una distribución normal con me- dia 23.875 de pulgadas y desviación estándar de 1/16 de pulgadas. Suponer independencia. a) Determine la distribución, la media y la desviación estándar de la diferencia entre el ancho del marco y de la puerta. Parte 1 - Probabilidades Prof. María B. Pintarelli 106 b) ¿Cuál es la probabilidad de que la diferencia entre el ancho del marco y de la puerta sea ma- yor que ¼ de pulgada?. c) ¿Cuál es la probabilidad de que la puerta no quepa en el marco?. Solución: Sean las variables aleatorias X: “ancho del marco de la puerta en pulgadas” Y: “ancho de la puerta en pulgadas” Entonces )1/8)( ,24~ 2N(X , )1/16)( ,875.23~ 2N(Y , X e Y independientes a) Se pide la distribución de X-Y , )( YXE − , )( YXVYX −=−σ 125.0875.2324)()()( =−=−=− YEXEYXE 16 5 256 5 16 1 8 1 )()()( 22 =∴= + =+=− −YXYVXVYXV σ Por lo tanto − 2 16 5 ,125.0~ NYX b) Se pide la probabilidad )4/1( >−YXP 1867.08133.01)8944.0(1 5 52 1 16 5 125.025.0 1)4/1( =−=Φ−= Φ−= − Φ−=>−YXP c) Si la puerta no entra en el marco entonces se da el evento { }YX < o equivalentemente { }0<−YX , por lo tanto 1867.0 5 52 1 5 52 16 5 125.00 )0( = Φ−= −Φ= − Φ=<−YXP 4- Supongamos que las variables aleatorias X e Y denotan la longitud y el ancho en cm, respecti- vamente, de una pieza. Supongamos además que X e Y son independientes y que X ~ N(2 , 0.1 2 ) , Y ~ N(5 , 0.2 2 ). Entonces Z = 2X + 2Y es una v.a. que representa el perímetro de la pieza. Calcular la probabilidad de que el perímetro sea mayor que 14.5 cm. Solución: tenemos que ( )2222 2.021.02 ,5222 ~ ×+××+×NZ , o sea ( )0.2 ,14 ~ NZ La probabilidad pedida es )5.14( >ZP , entonces ( ) 119.08810.011180.11 2 5 1 2.0 145.14 1)5.14( =−=Φ−= Φ−= − Φ−=>ZP 5- Si se aplican dos cargas aleatorias 21 y XX a una viga voladiza como se muestra en la figura si- guiente, el momento de flexión en 0 debido a las cargas es 2211 XaXa + . a) Suponga que 21 y XX son v.a. independientes con medias 2 y 4 KLbs respectivamente, y desviaciones estándar 0.5 y 1.0 KLbs, respectivamente. Parte 1 - Probabilidades Prof. María B. Pintarelli 107 Si 51 =a pies y 102 =a pies, ¿cuál es el momento de flexión esperado y cuál es la desviación estándar del momento de flexión? b) Si 21 y XX están normalmente distribuidas, ¿cuál es la probabilidad de que el momento de flexión supere 75 KLbs? Solución: Sea la v.a. Z: “momento de flexión en 0”, entonces 21 105 XXZ += Por lo tanto a) 5041025)(10)(5)( 21 =×+×=+= XEXEZE 4 65 4 65 11025.0251105.05)( 2222 =∴=×+×=×+×= ZZV σ b) Si 21 y XX están normalmente distribuidas, entonces 4 65 ,50 ~ NZ Por lo tanto ( ) 01120.61 13 6510 1 4 65 5075 1)75( =−≈Φ−= Φ−= − Φ−=>ZP Promedio de variables aleatorias normales independientes Dem.) Notar que n X X n i i∑ == 1 es un caso particular de combinación lineal de variables aleatorias donde n ai 1 = para todo ni ,...,2,1= Además en este caso µµ =i y 22 σσ =i para todo ni ,...,2,1= Por lo tanto, X tiene distribución normal con esperanza µµµµ ===∑∑ == n i n i i n nnn 11 111 y varianza n n nnn n i i n i 2 2 2 2 2 1 2 2 1 111 σ σσσ = = = ∑∑ == Es decir, n NX 2 ,~ σ µ Observación: a X se lo llama promedio muestral o media muestral Si nXXX ,...,, 21 son n variables aleatorias independientes donde ),(~ 2σµNX i para todo ni ,...,2,1= entonces la v.a. n X X n i i∑ == 1 tiene distribución normal con media µ y varianza n 2σ Parte 1 - Probabilidades Prof. María B. Pintarelli 108 Ejemplos: 1) El diámetro interno de un anillo de pistón seleccionado al azar es una v.a. con distribución normal con media 12 cm y desviación estándar de 0.04 cm. a) Si X es el diámetro promedio en una muestra de 16=n anillos, calcule )01.1299.11( ≤≤ XP b) ¿Qué tan probable es que el diámetro promedio exceda de 12.01 cuando 25=n ? Solución: a) Sean las variables aleatorias :iX “diámetro del anillo i” 16,...,2,1=i Entonces ( )04.0 ,12~ 2NX i para cada i. Por lo tanto 16 04.0,12~ 2 NX . Entonces ( ) ( ) 6826.018413.02 1)1(211 16 04.0 2 1299.11 16 04.0 2 1201.12) 16 04.0 2 1201.12 16 04.0 2 12 16 04.0 2 1299.11 ()01.1299.11( =−×= =−=−−= −− −= =−≤−≤−=≤≤ φφφφφ X PXP b) En este caso 25 04.0,12~ 2 NX , entonces 1056.08944.01)25.1(1 25 04.0 1201.12 1)01.12( 2 =−=−= −−=> φφXP 2)Una máquina embotelladora puede regularse de tal manera que llene un promedio de µ onzas por botella. Se ha observado que la cantidad de contenido que suministra la máquina presenta una distribución normal con 1=σ onza. De la producción de la máquina un cierto día, se obtiene una muestra de 9 botellas llenas (todas fueron llenadas con las mismas posiciones del control operativo) y se miden las onzas del contenido de cada una. a) Determinar la probabilidad de que la media muestral se encuentre a lo más a 0.3 onzas de la media real µ para tales posiciones de control b) ¿Cuántas observaciones deben incluirse en la muestra si se desea que la media muestral esté a lo más a 0.3 onzas de µ con una probabilidad de 0.95? Solución: a) Sean las variables aleatorias :iX “contenido en onzas de la botella i” 9,...,2,1=i Parte 1 - Probabilidades Prof. María B. Pintarelli 109 Entonces ( )1,~ µNX i para cada i. Por lo tanto 9 1 ,~ µNX . Se desea calcular 6318.01)9.0(2 )9.0()9.0(9.09.0 3.03.0 3.03.0 )3.03.0()3.0( =−Φ= =−Φ−Φ= ≤ − ≤−= ≤ − ≤−= = ≤ − ≤−=≤−≤−=≤− n X P nn X n P nn X n PXPXP σ µ σσ µ σ σσ µ σ µµ b) Ahora se pretende que 95.0)3.03.0()3.0( =≤−≤−=≤− µµ XPXP Entonces 95.03.0 1 3.0 3.03.0 )3.0( = ≤ − ≤−= ≤ − ≤ − =≤− n n X nP nn X n PXP µ σσ µ σ µ Mediante la tabla de la acumulada de la normal estándar se tiene que ( ) ( ) ( ) 96.13.0 0.9753.0 95.013.023.0 1 3.0 =⇒=Φ⇒=−Φ= ≤ − ≤− nnnn n X nP µ O sea 68.42 3.0 96.1 2 = ≈n Si tomamos 43=n , entonces )3.0( ≤− µXP será un poco mayor que 0.95 6.2 - Teorema central del límite Acabamos de ver que la suma de un número finito n de variables aleatorias independientes que están normalmente distribuidas es una variable aleatoria también normalmente distribuida. Esta propiedad reproductiva no es exclusiva de la distribución normal. En efecto, por ejemplo, ya vimos que existen variables aleatorias discretas que la cumplen, es el caso de la Poisson y la Binomial. En realidad, la propiedad que le da a la distribución normal el lugar privilegiado que ocupa entre todas las distribuciones es el hecho de que la suma de un número muy grande, rigurosamente un número infinito numerable, de variables aleatorias independientes con distribuciones arbitrarias (no necesariamente normales) es una variable aleatoria que tiene, aproximadamente, una distribución normal. Este es, esencialmente, el contenido del Parte 1 - Probabilidades Prof. María B. Pintarelli 110 Dem.) sin demostración Observaciones: 1- Notar que ( ) ( ) µnXEXESE n i i n i in == = ∑∑ == 11 y ( ) ( ) 2 11 σnXVXVSV n i i n i in == = ∑∑ == Por lo tanto 2σ µ n nS Z nn − = es la v.a. nS estandarizada 2- Notar que − = ≤ − = ≤ − n X Pz n n n nS Pz n nS P n n σ µ σ µ σ µ 22 , por lo tanto también se puede enunciar el Teorema central del límite de la siguiente forma Donde n X Z n σ µ− = es el promedio muestral estandarizado 3- Aunque en muchos casos el T.C.L. funciona bien para valores de n pequeños , en particular donde la población es continua y simétrica, en otras situaciones se requieren valores de n mas grandes, dependiendo de la forma de la distribución de las iX . En muchos casos de interés práctico, si 30≥n , la aproximación normal será satisfactoria sin importar cómo sea la forma de la distribución de las iX . Si 30<n , el T.C.L. funciona si la distribución de las iX no está muy alejada de una distribución normal 4- Para interpretar el significado del T.C.L., se generan (por computadora) n valores de una v.a. exponencial con parámetro 5.0=λ , y se calcula el promedio de esos n valores. Esto se repite 1000 veces, por lo tanto tenemos 1000 valores de la v.a. X . Teorema central del límite (T.C.L.): Sean nX,...,X,X 21 variables aleatorias independientes con ( ) µ=iXE y ( ) 2σ=iXV para todo n,...,,i 21= , es decir independientes idénticamente distribuidas Sea la v.a. ∑ = = n i in XS 1 y sea 2σ µ n nS Z nn − = . Entonces ( ) ( )zzZPlim n n Φ=≤ ∞→ , esto es ∫ ∞− − ∞→ = ≤ − z xn n dxez n nS P 2 2 2 2 1 lim πσ µ Sean nX,...,X,X 21 variables aleatorias independientes con ( ) µ=iXE y ( ) 2σ=iXV para todo n,...,,i 21= , es decir independientes idénticamente distribuidas Sea la v.a. promedio muestral ∑ = = n i iX n X 1 1 y sea n X Z n σ µ− = . Entonces ( ) ( )zzZPlim n n Φ=≤ ∞→ , esto es ∫ ∞− − ∞→ = ≤ − z x n dxez n X P 2 2 2 1 lim πσ µ Parte 1 - Probabilidades Prof. María B. Pintarelli 111 Hacemos un histograma de frecuencias de X , esto es, tomamos un intervalo ),( ba donde “caen” todos los valores de X , y lo subdividimos en intervalos mas chicos de igual longitud. La frecuencia de cada subintervalo es la cantidad de valores de X que caen en dicho subintervalo. Se grafican estas frecuencias obteniéndose los gráficos siguientes que se pueden considerar una aproximación a la verdadera distribución de X . Se observa que a medida que aumenta el valor de n los gráficos se van haciendo más simétricos, pareciéndose a la gráfica de una distribución normal. Ejemplos: 1- Supóngase que 30 instrumentos electrónicos D1, D2, ......,D30, se usan de la manera siguiente: tan pronto como D1 falla empieza a actuar D2. Cuando D2 falla empieza a actuar D3, etc. Supóngase que el tiempo de falla de Di es una v.a. distribuida exponencialmente con parámetro λ = 0.1 por hora. Sea T el tiempo total de operación de los 30 instrumentos. ¿Cuál es la probabilidad de que T exceda 350 horas? Solución: Si iX : “tiempo de falla del instrumento iD ” 30,...,2,1=i Entonces )1.0(~ ExpX i para 30,...,2,1=i El tiempo total de operación de los 30 instrumentos es ∑ = = 30 1i iXT , donde 300 1.0 1 30)(30)( 30 1 =×=×= = ∑ = i i i XEXETE 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 50 100 150 12 34 567 891011121314151617181920212223242526272829303132 20 40 60 80 1 2 3 4 5 6 7 8 91011121314151617181920212223242526272829 10 20 30 40 50 1 2 3 4 5 6 7 8 9 10111213141516171819202122 10 20 30 40 n=2 n = 5 n = 15 n = 30 Parte 1 - Probabilidades Prof. María B. Pintarelli 112 3000 1.0 1 30)(30)( 2 30 1 =×=×= = ∑ = i i i XVXVTV Entonces por T.C.L. N(0,1)~ 3000 300−T aproximadamente pues 30=n La probabilidad pedida es ( ) 18141.081859.019128.01 3000 300350 1 3000 300350 3000 300 )350( =−=Φ−= − Φ−≈ − > − => T PTPT.C.L. 2- Suponga que el consumo de calorías por día de una determinada persona es una v.a. con media 3000 calorías y desviación estándar de 230 calorías. ¿Cuál es la probabilidad de que el promedio de consumo de calorías diario de dicha persona en el siguiente año (365 días) sea entre 2959 y 3050? Solución: Definimos las variables aleatorias iX : “cantidad de calorías que una persona consume en el día i” 365,...,2,1=i Se sabe que 3000)( =iXE y 2230)( =iXV Si ∑ = = 365 1365 1 i iXX entonces 3000)( =XE y 365 230 )( 22 == n XV σ La probabilidad pedida es ( ) ( ) ( ) 10140.315.4 365 230 30002959 365 230 30003050 365 230 30003050 365 230 3000 365 230 30002959 30502959 =−≈−Φ−Φ= − Φ− − Φ≈ ≈ − ≤ − ≤ − =≤≤ X PXP T.C.L. Aplicaciones del Teorema central del límite Aproximación normal a la distribución binomial El Teorema central del límite se puede utilizar para aproximar las probabilidades de algunas variables aleatorias discretas cuando es difícil calcular las probabilidades exactas para valores grandes de los parámetros. Supongamos que X tiene una distribución binomial con parámetros n y p. Para calcular )( kXP ≤ debemos hacer la suma ∑ = ==≤ k i iXPkXP 0 )()( o recurrir a las tablas de la F.d.a. , pero para valores de n grandes no existen tablas, por lo tanto habría que hacer el cálculo en forma directa y muchas veces es laborioso. Como una opción podemos considerar a X como suma de variables aleatorias más simples, específicamente, si definimos − = contrariocaso éxitoocurrederepeticiónésimaílaensi X i 0 1 ε ni ,...,2,1= Parte 1 - Probabilidades Prof. María B. Pintarelli 113 entonces cada iX se la puede considerar ),1( pB , y además nXXX ,...,, 21 son independientes Podemos escribir ∑ = =+++= n i in XXXXX 1 21 ... y si n es grande entonces X tendrá aproximadamente una distribución normal con parámetros np y )1( pnp − , es decir ( ) ( )1,0 1. . 2 N ppn pnX n nX Z n ≈ − − = − = σ µ si n es lo suficientemente grande Observaciones: 1- La aproximación normal a la distribución binomial funciona bien aun cuando n no sea muy grande si p no está demasiado cerca de cero o de uno. En particular la aproximación normal a la binomial es buena si n es grande , 5>np y 5)1( >− pn , pero es más efectivo aplicar esta aproximación cuando 10>np y 10)1( >− pn 2- Corrección por continuidad. Acabamos de ver que si X∼B(n,p) entonces, para n suficientemente grande, podemos considerar que aproximadamente es X∼ ( )[ ]pp.n,p.nN −1 . El problema que surge de inmediato si deseo calcular, por ejemplo, la probabilidad de que kX = (con k alguno de los valores posibles 0,1,2,…,n) es que la binomial es una distribución discreta y tiene sentido calcular probabilidades como ( )kXP = mientras que la normal es una distribución continua y, en consecuencia, ( ) 0== kXP puesto que para una variable aleatoria continua la probabilidad de que ésta tome un valor aislado es cero. Esto se resuelve si se considera ( ) +≤≤−≈= 2 1 2 1 kXkPkXP También se puede usar esta corrección para mejorar la aproximación en otros casos, específicamente en lugar de )( kXP ≤ calculamos +≤≈≤ 2 1 )( kXPkXP Y en lugar de −≥≈≥ 2 1 )( kXPkXP En los gráficos siguientes se muestra para diferentes valores de n y p cómo aproxima la distribución ))1( ,( pnpnpN − a la distribución ) ,( pnB 5 10 15 20 25 0.025 0.05 0.075 0.1 0.125 0.15 0.175 2 4 6 8 10 12 14 0.05 0.1 0.15 0.2 n = 25 p = 0.7 n = 15 p = 0.5 Parte 1 - Probabilidades Prof. María B. Pintarelli 114 5 10 15 20 0.05 0.1 0.15 0.2 0.25 0.3 0.35 50 60 70 80 90 100 0.02 0.04 0.06 0.08 20 40 60 80 100 120 140 0.02 0.04 0.06 0.08 0.1 2 4 6 8 10 0.1 0.2 0.3 0.4 Ejemplos: 1- Sea X∼ B(25,0.4). Hallar las probabilidades exactas de que 8≤X y 8=X y comparar estos resultados con los valores correspondientes encontrados por la aproximación normal. Solución: De la tabla de la F.d.a. de la binomial encontramos 274.0)8( =≤XP Y 120.0154.0274.0)7()8()8( =−=≤−≤== XPXPXP Ahora usamos la aproximación normal ( ) 2709.061.0 6.04.025 105.8 )1( )5.8()8( =−Φ≈ ×× − ≤ − − =≤≈≤ pnp npX PXPXP corrección por continuidad Observar que el valor aproximado está muy cercano al valor exacto para 274.0)8( =≤XP ( ) 1170.01593.02709.0 61.0 6 10 02.1 6 105.8 6 10 6 105.7 5.85.7)8( =−= = −≤ − ≤−= − ≤ − ≤ − =≤≤≈= X P X PXPXP Nuevamente este valor aproximado está muy cerca del valor real de 120.0)8( ==XP 2- Suponga que el 10% de todos los ejes de acero producidos por cierto proceso están fuera de especificaciones, pero se pueden volver a trabajar (en lugar de tener que enviarlos a la chatarra). n =15 p = 0.9 n = 100 p = 0.7 n = 150 p = 0.1 n = 10 p = 0.1 Parte 1 - Probabilidades Prof. María B. Pintarelli 115 Considere una muestra aleatoria de 200 ejes y denote por X el número entre ellos que estén fuera de especificaciones y se puedan volver a trabajar. ¿Cuál es la probabilidad (aproximada) de que X sea a) a lo sumo 30? b) menos de 30? c) entre 15 y 25 (inclusive)? Solución: Sea la v.a. X: “número de ejes fuera de especificaciones” Entonces )1.0,200(~ BX , además 5201.0200 >=×=np y 5180)1.01(200)1( >=−×=− pn Por lo tanto podemos aplicar la aproximación normal a la binomial a) la probabilidad pedida es )30( ≤XP ( ) 993244.0474.2 18 205.30 18 205.30 )1( )5.30()30( =Φ= − Φ≈ − ≤ − − =≤≈≤ pnp npX PXPXP b) La probabilidad pedida es )30( <XP Al ser X una v.a. discreta con distribución binomial )29()30( ≤=< XPXP ( ) 98745.02391.2 18 205.29 )5.29()29( =Φ= − Φ≈≤≈≤ XPXP c) ( ) ( ) ( ) ( ) ( ) 80294.0190147.0212963.122963.12963.1 18 205.14 18 205.25 5.255.142515 =−×=−Φ=−Φ−Φ= = − Φ− − Φ≈≤≤≈≤≤ XPXP 3- El gerente de un supermercado desea recabar información sobre la proporción de clientes a los que no les agrada una nueva política respecto de la aceptación de cheques. ¿Cuántos clientes tendría que incluir en una muestra si desea que la fracción de la muestra se desvíe a lo mas en 0.15 de la verdadera fracción, con probabilidad de 0.98?. Solución: Sea X: “número de clientes a los que no les agrada la nueva política de aceptación de cheques” Entonces ),(~ pnBX donde p es desconocido y es la verdadera proporción de clientes a los que no les agrada la nueva política de aceptación de cheques. El gerente tomará una muestra de n clientes para “estimar” p con n X X = ya que n X X = es la proporción de clientes a los que no les agrada la nueva política de aceptación de cheques en la muestra de n clientes. Si no se toman a todos los clientes, entonces n X X = no será igual a p. La pregunta es cuál debe ser n para que n X X = se aleje del verdadero p en menos de 0.15 con probabilidad 0.98 por lo menos, o sea para que ( ) 98.015.0 ≥≤− pXP Entonces planteamos ( ) ( ) ≈ − ≤ − − ≤ − − =≤−≤−=≤− )1( 15.0 )1()1( 15.0 15.015.015.0 pnp n pnp npX pnp n PpXPpXP T.C.L. Parte 1 - ProbabilidadesProf. María B. Pintarelli 116 98.01 )1( 15.0 2 )1( 15.0 )1( 15.0 ≥− − Φ= − − Φ− − Φ≈ pnp n pnp n pnp n Por lo tanto 99.0 2 198.0 )1( 15.0 = + ≥ − Φ pnp n Además n n pp n pnp n 3.0 )5.01(5.0 15.0 )1( 15.0 )1( 15.0 = − ≥ − = − Entonces debe cumplirse que 33.23.0 ≥n o sea 3211.60 3.0 33.2 2 = ≥n O sea se debe tomar una muestra de al menos 61 clientes Aproximación normal a la distribución Poisson Se puede probar aplicando Teorema central del límite que Es decir para λ suficientemente grande )1,0(N X ≈ − λ λ En la práctica si 30≥λ la aproximación es buena. Observación: la demostración es sencilla si λ es igual a un número natural n pues, si consideramos las variables aleatorias )1(~ PX i con ni ,...,2,1= independientes, entonces ya sabemos que ∑∑ == n i n i i PX 11 1~ , es decir )(~ 1 nPX n i i∑ = Pero además por T.C.L. si n es grande ∑ = n i iX 1 tiene aproximadamente distribución normal con parámetros nnn =×= 1µ y nnn =×= 12σ O sea la distribución de ∑ = n i iX 1 que es exactamente Poisson con parámetro n, se puede aproximar con una ),( nnN , por lo tanto )1,0(N n nX ≈ − aproximadamente para valores de n suficientemente grandes En los gráficos siguientes se muestra para diferentes valores de λ cómo aproxima la distribución ) ,( λλN a la distribución )(λP Si )(~ λPX entonces para λ suficientemente grande λ λ−X tiene aproximadamente distribución )1,0(N Parte 1 - Probabilidades Prof. María B. Pintarelli 117 20 40 60 80 100 0.01 0.02 0.03 0.04 0.05 5 10 15 20 25 30 0.05 0.1 0.15 0.2 Ejemplo: El número de infracciones por estacionamiento en cierta ciudad en cualquier día hábil tiene una distribución de Poisson con parámetro λ = 50. ¿Cuál es la probabilidad aproximada de que: a) entre 35 y 70 infracciones se expidan en un día en particular? b) el número total de infracciones expedidas durante una semana de 5 días sea entre 225 y 275? Solución: Sea X: “número de infracciones por estacionamiento en cierta ciudad en cualquier día hábil” Entonces )(~ λPX donde 50=λ Como 50=λ entonces )1,0( 50 50 N X ≈ − (aproximadamente) a) la probabilidad pedida es ( ) ( ) ( ) 9805.0017.0997599.0 12132.28284.2 50 5035 50 5070 7035 =−= =−Φ−Φ= − Φ− − Φ≈≤≤ XP b) Sea Y: “número total de infracciones expedidas durante una semana de 5 días” Entonces )(~ λPY donde 250550 =×=λ La probabilidad pedida es ( ) ( ) ( ) ( ) 8859.0194295.0215811.12 5811.15811.1 250 250225 250 250275 275225 =−×=−Φ= =−Φ−Φ= − Φ− − Φ≈≤≤ YP 50=λ 3=λ
Compartir