Probab I Lida Des

Estadstica y Probabilidad
Manuel Hurtado Snchez 1

UNIVERSIDAD CATLICA SANTO TORIBIO DE MOGROVEJO
VICE RECTORADO ACADMICO

ESCUELA DE INGENIERA CIVIL Y AM-
BIENTAL

IV Unidad: Probabilidades, Estimacin Prue-
ba de Hiptesis

Manuel F. Hurtado Snchez, Lic. Estad. MsC.

Chiclayo, junio del 2014



1 UNIDAD: PROBABILIDADES

1. Experimento aleatorio [ ]: Es cualquier realizacin que puede presentarse
de distintas maneras, pero que en el momento de su realizacin se presenta de
una nica forma. Tambin podemos decir que un experimento aleatorio es aquel
que proporciona diferentes resultados aun cuando se repita siempre de la mis-
ma manera.
Ejemplos.
1
: Lanzar una moneda
2
: Lanzar un dado
3
: Contar las imperfecciones de un metro de tela.
4
: Inspeccionar la calidad de un producto
5
: Resultado de una operacin financiera
6
: Observar si una persona que pasa delante de un establecimiento comer-
cial decide ingresar a ste.
7
: Observar si una persona que ingres a un establecimiento comercial com-
pr algo.
8
: Observar la velocidad de lectura de un estudiante
9
: Medir la presin arterial de un paciente
10
: Medir la temperatura de un paciente
En todos estos ejemplos, es fcil darnos cuenta, que si los experimentos se
repiten varias veces se pueden obtener resultados diferentes, incluso en el l-
timo ejemplo siempre habr la posibilidad de observar cambios en las medi-
ciones aun cuando sean muy pequeos, estos siempre estarn presentes. En
algunos casos los cambios en las mediciones podran ser tan pequeos que
fcilmente se pueden considerar como despreciables, en cambio en otros ca-
sos los cambios podran ser tan fuertes al grado que las conclusiones del ex-
perimento no son muy evidentes.
2. Espacio muestral [ ]. En un conjunto matemtico, cuyos resultados estn
asociados a cada uno de los resultados posibles del experimento aleatorio,
mediante la relacin epiyectiva, es decir que,
Cada resultado del experimento aleatorio est asociado con un nico ele-
mento del espacio muestral y
Cada elemento del espacio muestral est asociado con al menos un resul-
tado posible del experimento aleatorio.


Un espacio muestral puede ser discreto o continuo. Se dice que es discreto
cuando est formado por un conjunto finito (o infinito contable) de elementos; en
cambio se dice que es continuo cuando est formado con un conjunto infinito no
numerable de elementos.
Los espacios muestrales discretos suelen construirse con la tcnica del diagra-
ma del rbol.
Ejemplo de espacios muestrales:
1. Para el experimento del lanzamiento de una moneda. Si estamos interesados
en el lado de la moneda que queda hacia arriba, el espacio muestral ser:
= { C , S }, donde C = cara; S = Sello
2. Para el experimento del lanzamiento de dos dados. Si estamos interesados
en el nmero que queda hacia arriba en cada dado, el espacio muestral ser:
{ } { } { }
= = = O
6 , 6 5 , 6 4 , 6 3 , 6 2 , 6 1 , 6
6 , 5 5 , 5 4 , 5 3 , 5 2 , 5 1 , 5
6 , 4 5 , 4 4 , 4 3 , 4 2 , 4 1 , 4
6 , 3 5 , 3 4 , 3 3 , 3 2 , 3 1 , 3
6 , 2 5 , 2 4 , 2 3 , 2 2 , 2 1 , 2
6 , 1 5 , 1 4 , 1 3 , 1 2 , 1 1 , 1
6 , 5 , 4 , 3 , 2 , 1 6 , 5 , 4 , 3 , 2 , 1 6 , 5 , 4 , 3 , 2 , 1
2

Note aqu, que el espacio muestral tiene 6x6=36 elementos, es decir 36 pa-
res ordenados en los que el primer nmero representa el nmero de puntos
del 1 dado y el segundo nmero representa el nmero de puntos del 2 da-
do.
3. Para el experimento de contar imperfecciones en un metro de tela. Aqu el in-
ters ya est establecido, el espacio muestral ser:
= { 0, 1, 2, 3, }
4. Para el experimento de inspeccionar la calidad de un producto. Aqu el inte-
rs ser si el producto es bueno o malo.
= { B , M } ; donde B = Bueno ; M = Malo


5. Para el experimento del resultado de una operacin financiera. Aqu el inte-
rs ser si el que hace la operacin financiera, gana, solo recupera su inver-
sin o pierde:
= { G, R , P } ; donde G = Gana ; R = Recupera ; P = Pierde
6. Para el experimento de observar si una persona que pasa frente a un esta-
blecimiento comercial, decide entrar o no ha dicho establecimiento. Aqu el
inters ser si la persona entra o no entra al establecimiento comercial:
= { E , NE } ; donde E = Entra ; NE = No entra
7. Para el experimento de observar si una persona que ingres a un estableci-
miento comercial, decide comprar algo o no. Aqu el inters ser si la perso-
na compra algo o no compra:
= { C , NC } ; donde C = Compra algo ; NC = No compra algo
8. Para el experimento de observar la velocidad de lectura de un estudiante.
Aqu el inters es el nmero de palabras ledas por minuto, el espacio mues-
tral ser:
= { 1 , 2, 3, 4, 5, 6, .. } = Conjunto de los nmeros naturales
9. Para el experimento de medir la presin arterial de un paciente. Aqu el inte-
rs sern dos nmero correspondientes a la presin diastlica y a la presin
sistlica medidos en milmetros de mercurio:
= { Ps / Pd N}; donde Pd = Presin diastlica (mmHg) Ps = Presin sistli-
ca (mmHg) N = Conjunto de los nmeros Naturales
10. Para el experimento de medir la temperatura de un paciente. Aqu el inters
ser conocer la temperatura del paciente:
= { T / T R}; donde T = Temperatura del paciente (grados centgrados)
R = Conjunto de los nmeros reales

3. Evento [ A ]: Definimos como evento a cualquier subconjunto del espacio
muestral, incluido el mismo espacio muestral y el conjunto vaco . Los
eventos pueden ser expresados por extensin o por compresin.
Ejemplo 1: En el espacio muestral del experimento de lanzar dos dados legales
podemos definir los siguientes eventos:
A
1
= Sale el mismo nmero en ambos dados: Notacin por compresin
A
1
= {(1,1), (2,2), (3,3), (4,4), (5,5), (6,6)} : Notacin por extensin
A
2
= Sale un 6 en el primer dado : Notacin por compresin
A
2
A
3
= La suma de puntos es menor que cinco: Notacin por compresin
A
3


A
2
A
1

= O
) 6 , 6 ( ) 5 , 6 ( ) 4 , 6 ( ) 3 , 6 ( ) 2 , 6 ( ) 1 , 6 (
) 6 , 5 ( ) 5 , 5 ( ) 4 , 5 ( ) 3 , 5 ( ) 2 , 5 ( ) 1 , 5 (
) 6 , 4 ( ) 5 , 4 ( ) 4 , 4 ( ) 3 , 4 ( ) 2 , 4 ( ) 1 , 4 (
) 6 , 3 ( ) 5 , 3 ( ) 4 , 3 ( ) 3 , 3 ( ) 2 , 3 ( ) 1 , 3 (
) 6 , 2 ( ) 5 , 2 ( ) 4 , 2 ( ) 3 , 2 ( ) 2 , 2 ( ) 1 , 2 (
) 6 , 1 ( ) 5 , 1 ( ) 4 , 1 ( ) 3 , 1 ( ) 2 , 1 ( ) 1 , 1 (

A
3

Ejemplo 2: Para el experimento de medir la temperatura de un paciente, po-
demos definir los siguientes eventos:
E
1
= Tiene una temperatura menor a 37 C
E
1
= {X / 0 X < 37}
E
2
= Tiene una temperatura entre 36 y 38 C inclusive
E
2
= {X / 36 X 38}
E
3
= Tiene una temperatura superior a 38 C
E
3
= {X / X > 38}
Recordemos que el espacio muestral es

= { X / X R
+
} ; donde X = Temperatura corporal de un paciente (C),
R
+
= Conjunto de los nmeros reales positivos
E
2

E
1
E
3

0 36 37 38

Ejemplo 3: Para el experimento de disparar a un blanco tres veces y si solo
nos interesa si el disparo da o no en el blanco, el espacio muestral ser el si-
guiente:
= { (0,0,0), (0,0,1), (0,1,0), (0,1,1), (1,0,0), (1,0,1), (1,1,0), (1,1,1) }
Donde: 0 y 1 representen una falla y un acierto respectivamente.



El diagrama del rbol para construir el espacio muestral ser:

1 Tiro
o

0

1

2| Tiro
o o

0

1

0

1

3 Tiro
o o o o

0
1
0 1 0 1 0 1
O O o o o o o o
Podemos definir los eventos:
M = La persona no acierta en el blanco tres veces seguidas
M = { (0,0,0) }
N = La persona acertar una vez y fallar en dos ocasiones
N = { (0,0,1), (0,1,0), (10,0) }

3.1. Eventos especiales:
Evento cierto O: Es aquel que cuando se realiza el experimento aleatorio,
ste siempre ocurre, y viene a ser el mismo espacio muestral
Evento imposible u: Es aquel que cuando se realiza el experimento alea-
torio, ste nunca puede ocurrir, y viene a ser el conjunto vaco, el cual no
tiene elementos.
3.2. Operaciones con eventos: En muchas situaciones interesan eventos
que en realidad son combinaciones de dos o ms eventos, formados al to-
mar uniones, intersecciones y complementos; de aqu la necesidad de es-
tudiar las operaciones que se pueden hacer con eventos.
Como ya hemos dicho, que un evento es un subconjunto del espacio mues-
tral y siendo el espacio muestral un conjunto asociado a todos los elemen-
tos del experimento aleatorio, es fcil deducir que existe un isomorfismo en-
tre teora de eventos y teora de conjuntos, es decir que todo lo que se
cumple en conjuntos, se cumple tambin en eventos.
As podemos convenir en la siguiente manera de leer los eventos y repre-
sentarlos usando diagramas de venn:
A Ocurre el evento A

A No ocurre el evento A

A


B A Ocurre el evento A o el evento B

B A Ocurre el evento A y el evento B

u = B A
Los eventos A y B son disjuntos o
mutuamente excluyentes

B Ac
El evento A est contenido en el
evento B

Ejemplo 1: Sea = { 1, 2, 3, 4, 5, 6, 7, 8, 9 }, A = {1, 3, 5, 7}, B = {6, 7, 8,
9}, C = {2, 4, 8}, y D = {1, 5, 9}. Los elementos que corresponden a los si-
guientes eventos usando el siguiente diagrama ven sern.

a. B A = { 7 }
b. C B A ) ' ( = { 8 }
c. C B ' = { 1, 2, 3, 4, 5 }
d. D C B ) ' ( = {1, 5 }
e. C A ' = {2, 4, 8 }
f. D C A ) ' ( =



4. Probabilidad de un evento: Es un nmero real comprendido entre cero
y uno [0 , 1], que expresa una medida del grado de incertidumbre acerca
de la ocurrencia de un evento, antes que este ocurra.
Existen dos enfoques para obtener la probabilidad de un evento, uno ob-
jetivo y otro subjetivo.
4.1. Enfoque Objetivo: En este enfoque la probabilidad de un evento
puede entenderse como una medida real del grado de incertidum-
bre acerca de la ocurrencia de un evento antes que este ocurra.
El enfoque objetivo se suele utilizar en aquellas situaciones en don-
de es posible que un experimento aleatorio pueda ser repetido mu-
chas veces bajo las mismas condiciones, tal como ocurre en los
juegos del azar o en fenmenos de Ingeniera En este enfoque, la
probabilidad de un evento depende de la naturaleza del experimento
aleatorio, por lo tanto tiene un nico valor el cual debe ser calculado.
Aqu podemos distinguir nuevamente dos clases de probabilidad, la
probabilidad matemtica o de Laplace y la probabilidad por fre-
cuencia relativa
4.1.1. Probabilidad matemtica o de Laplace: Esta probabilidad
se basa en un modelo razonable del sistema que se estudia
mediante un experimento aleatorio.
Esta probabilidad se aplica en aquellas situaciones en que ca-
da uno de los elementos del espacio muestral son equiproba-
bles, es decir tienen la misma probabilidad de ocurrir, por
ejemplo, cuando lanzamos una moneda legal, la probabilidad
de obtener una cara es la misma que la probabilidad de obte-
ner un sello [ P(C) = P(S) = 0.5 ], o cuando lanzamos un dado
legal, tambin tenemos que la probabilidad de ocurrencia de
cada uno de los resultados es la misma, as: [ P(1) = P(2) =
= P(6) = 1/6 ].
La probabilidad matemtica o de Laplace, de un evento A, se
define como el cociente entre nmero de casos igualmente
probables favorable a la ocurrencia de ese evento y el nme-
ro todos de casos igualmente probables.

probables igualmente casos de total N
A evento al favorables probables igualmente casos de N
A P
) ( =
) (
) (
) (
O
=
N
A N
A P
Nota: Tenga presente que una posibilidad no es una pro-
babilidad, la probabilidad es una medida de la posibilidad.


Ejemplo 1. Considere que lanzamos un dado legal sobre una
superficie regular, cul ser la probabilidad de obtener en el
lado superior un nmero mayor de cuatro puntos?.
El espacio muestral es: = {1, 2, 3, 4, 5, 6}
A
Si el dado es legal, es decir fsicamente simtrico y equilibra-
do, entonces cada uno de estos resultados deben ser igual-
mente probables o equiprobables, por lo que debemos tener:

6
1
) 6 ( ) 5 ( ) 4 ( ) 3 ( ) 2 ( ) 1 ( = = = = = = P P P P P P
Sea el evento A = Sale un nmero mayor que 4, entonces los
elementos de dicho evento son: A = {5, 6}, por lo que su pro-
babilidad ser:
333 . 0
6
2
) (
) (
) ( = =
O
=
N
A N
A P
Ejemplo 2. Considere que lanzamos dos dados legales sobre
una superficie regular, cul ser la probabilidad de obtener en
el lado superior, nmeros cuya suma sea menor que cinco
puntos?.
Es espacio muestral y el evento de inters de muestran a con-
tinuacin:
A
= O
) 6 , 6 ( ) 5 , 6 ( ) 4 , 6 ( ) 3 , 6 ( ) 2 , 6 ( ) 1 , 6 (
) 6 , 5 ( ) 5 , 5 ( ) 4 , 5 ( ) 3 , 5 ( ) 2 , 5 ( ) 1 , 5 (
) 6 , 4 ( ) 5 , 4 ( ) 4 , 4 ( ) 3 , 4 ( ) 2 , 4 ( ) 1 , 4 (
) 6 , 3 ( ) 5 , 3 ( ) 4 , 3 ( ) 3 , 3 ( ) 2 , 3 ( ) 1 , 3 (
) 6 , 2 ( ) 5 , 2 ( ) 4 , 2 ( ) 3 , 2 ( ) 2 , 2 ( ) 1 , 2 (
) 6 , 1 ( ) 5 , 1 ( ) 4 , 1 ( ) 3 , 1 ( ) 2 , 1 ( ) 1 , 1 (

En este caso nuevamente cada uno de los elementos del es-
pacio muestral son equiprobables
36
1
) 6 , 6 ( ) 3 , 1 ( ) 2 , 1 ( ) 1 , 1 ( = = = = = P P P P
Sea el evento A = la suma de puntos es menor que cinco
A = {(1,1), (1,2), (1,3), (2,1), (2,2), (3,1)}
1666 . 0
36
6
) (
) (
) ( = =
O
=
N
A N
A P


4.1.2. Probabilidad por frecuencia relativa: Esta probabilidad se
basa en el modelo conceptual de la repeticin de un experi-
mento aleatorio. Aqu la probabilidad de un evento se interpre-
ta como el valor lmite de la proporcin de veces en que apa-
rece el evento en n repeticiones del experimento aleatorio,
cuando n tiende a ser muy grande (n )
k
n
A n
Lim A P
n
= =

) (
) (
Ejemplo: Considere que en una gran encuesta a 2000 perso-
nas adultas se pregunt entre otras cosas por el estado civil,
encontrando la siguiente distribucin de frecuencias.
Tabla N Estado civil de 2000 personas adultas de la ciudad de
Lambayeque. Diciembre del 2011
Estado Civil
(Ai)
N de personas (ni)
N (Ai)
Proporcin de personas (pi)
Probabilidad: P(Ai)
Soltero 680 0.34
Casado 720 0.36
Conviviente 340 0.17
Divorciado 60 0.03
Separado 140 0.07
Viudo 60 0.03
Total (n) 2000 1

Aqu, debido a que el tamao de muestra es suficientemente
grande ( 0 n ), las frecuencias relativas pueden ser conside-
radas como probabilidades, es decir que, si de la poblacin de
referencia seleccionamos aleatoriamente una persona adulta,
la probabilidad que sea soltera ser 0.34, as sucesivamente.
4.2. Enfoque subjetivo: En este enfoque, la probabilidad de un evento
puede interpretarse como el grado de creencia de que ocurra el
evento. Aqu puede suceder que personas diferentes no duden en
asignar probabilidades diferentes al mismo evento. As por ejemplo
la probabilidad de que un negocio sea exitoso para el sujeto A po-
dra ser igual a 0.25; en cambio para el sujeto B este mismo evento
podra tener una probabilidad igual a 0.40; incluso podra variar en
una misma persona, de un tiempo a otro, dependiendo de su estado
de nimo u optimismo para emprender un nuevo negocio. En todos
los casos dichas probabilidades seran igualmente lcitas, puesto
que son sus creencias.
Este enfoque suele ser utilizado en situaciones en que el experi-
mento aleatorio no es posible repetirlo muchas veces bajo las mis-
mas condiciones, tal como ocurre en los fenmenos sociales en
donde no se puede repetir la historia.


5. Axiomas de probabilidad
Los axiomas de probabilidad son premisas que no requieren demostracin;
pero que sobre las cuales se construye la teora de probabilidades.
i. La probabilidad de un evento es un nmero real no negativo: 0 ) ( > A P
ii. La probabilidad del espacio muestral es igual a uno. 1 ) ( = O P
iii. Si A
1
, A
2
, A
3
, . Es una sucesin finita o infinita de eventos mutuamente
excluyentes de un mismo espacio muestral, entonces:
. . . ) ( ) ( ) . . . (
2 1 3 2 1
+ + = A P A P A A A P
6. Algunas reglas de probabilidad
En base a los tres axiomas de probabilidad, se pueden deducir muchas reglas
que tienen aplicaciones importantes.
i. Si A y A son eventos complementarios en un espacio muestral :
) ( 1 ) ' ( A P A P =

ii. La probabilidad del evento imposible siempre es cero:
0 ) ( = u P

iii. Si A y B son eventos de un mismo espacio muestral, tal que B A_ ,
entonces:
) ( ) ( B P A P s

iv. Si A y B son dos eventos cualquiera de un mismo espacio muestral ,
entonces:
) ( ) ( ) ( ) ( B A P B P A P B A P + =



v. Si A, B y C son tres eventos cualquiera de un mismo espacio muestral ,
entonces:
) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( C B A P C B P C A P B A P C P B P A P C B A P + + + =

Esta regla podra ser extendida a la reunin de ms de tres eventos usando el
mismo razonamiento.

Ejemplo 1. En la ciudad de Chiclayo, las probabilidades son 0.86, 0.35 y
0.29 de que una familia escogida aleatoriamente para una encuesta por
muestreo tenga un aparato de TV con tecnologa LED, un aparato de TV
con tecnologa LCD, o ambas clases de aparatos respectivamente. Cul
es la probabilidad de que una familia posea cualquiera de los dos o ambos
aparatos?
Solucin
Sea: A = La familia tiene un televisor con tecnologa LED
B = La familia tiene un televisor con tecnologa LCD
Entonces tenemos:
P(A) = 0.86 P(B) = 0.35 P(AB) = 0.29
) ( ) ( ) ( ) ( B A P B P A P B A P + =
= 0.86 + 0.35 - 0.29
= 0.92
Ejemplo 2. Cerca de la llegada al desvo por va de evitamiento norte de la
ciudad de Chiclayo, las probabilidades son 0.23 y 0.24, de que un camin
parado al costado de la pista, tendr frenos defectuosos o neumticos
muy gastados. Tambin, la probabilidad es de 0.38 de que un camin pa-
rado en esta zona tendr frenos defectuosos o neumticos muy gastados.
Cul es la probabilidad de que un camin parado al costado de la pista
tendr los frenos defectuosos y los neumticos muy gastados?.
Solucin
Sea:
A = El camin tiene frenos defectuosos
B = El camin tiene los neumticos muy gastados
Entonces tenemos:
P(A) = 0.23 P(B) = 0.24 P(AB) = 0.38


Sabemos que ) ( ) ( ) ( ) ( B A P B P A P B A P + = entonces debemos tener
que
) ( ) ( ) ( ) ( B A P B P A P B A P + =
= 0.23 + 0.24 - 0.38
= 0.09
Ejemplo 3. Si una persona acude con su dentista, supongamos que la
probabilidad de que le limpie la dentadura es de 0.44, la probabilidad de
que le tape una caries es 0.24, la probabilidad de que se le extraiga un
diente es 0.21 , la probabilidad de que se le limpie la dentadura y le tape
una caries es 0.08, la probabilidad de que le limpie la dentadura y le ex-
traiga un diente es 0.11, la probabilidad de que le tape una caries y le sa-
que un diente es 0.07 y la probabilidad de que le limpie la dentadura, le ta-
pe una caries y le saque un diente es 0.03. Cul es la probabilidad de
que a una persona que acude con su dentista se le haga por lo menos uno
de estos tres procedimientos?

Solucin
Sea: A = Limpieza de dentadura
B = Tapar caries
C = Extraer un diente
Entonces tenemos:
P(A) = 0.44 P(B) = 0.24 P(C) = 0.21
P(AB) = 0.08 P(AC) = 0.11 P(BC) = 0.07 P(ABC) = 0.03
Sabemos que:
) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( C B A P C B P C A P B A P C P B P A P C B A P + + + =
= 0.44 + 0.24 + 0.21 - 0.08 - 0.11 - 0.07 + 0.03
= 0.66
7. Probabilidad condicional
Dados dos eventos A y B con P(B) > 0, la probabilidad condicional de A
dado B, expresada como P(A/B), representa la fraccin de veces que ocu-
rre A sabiendo que ha ocurrido B. Su clculo corresponde al cociente en-
tre la probabilidad de que ocurra A y B (ambos) y probabilidad de que ocu-
rra B.
) (
) (
) / (
B P
B A P
B A P

=
Esto significa que el suceso B ocurrir una fraccin P(B) veces y, asimis-
mo A y B (ambos) ocurrir una fraccin ) ( B A P de las veces. El cocien-
te ) ( / ) ( B P B A P indica la proporcin de veces que cuando ocurre B,
ocurre tambin A. Esto es, Si ignoramos las veces en que B no ocurre, y
consideramos solo aquellas en que ocurre, el cociente ) ( / ) ( B P B A P
corresponde a la fraccin de veces que A tambin suceder. Esto es pre-
cisamente lo que significa la probabilidad condicional de A dado B.


La probabilidad condicional de A dado B tambin podra ser entendida
como la probabilidad de A en un nuevo espacio muestral reducido dado
por B

En efecto, es fcil probar que las dos expresiones que aparecen en la fi-
gura anterior son equivalentes.
) ( #
) ( #
) ( #
) ( #
) ( #
) ( #
) (
) (
) / (
B
B A
B
B A
B P
B A P
B A P

=
O
O
=
Ejemplo 1: Consideremos el lanzamiento de tres monedas, en donde el
espacio muestral es:
= { ccc, ccs, csc, scc, css, scs, ssc, sss}
Donde: P(ccc) = P(ccs) = P(csc) = .. = P(sss) = 1/8
Cul es la probabilidad de que la primera moneda sea cara?
Naturalmente esta probabilidad es , lo que podemos establecer de ma-
nera ms formal establecer como
P(cara en la primera moneda)= P( ccc, ccs, csc, css ) =4/8 = .
Pero consideremos que sabemos que en dos de las tres monedas ha sali-
do cara. Cul es ahora la probabilidad de que la primera moneda sea ca-
ra?.
La cuestin es que ha cambiado nuestra informacin disponible, es decir
nuestro nivel de ignorancia, y en consecuencia habrn cambiado las pro-
babilidades correspondientes. De hecho, si sabemos que dos de las tres
A B

AB
Aqu, las probabilidades P(A),
P(B) y P(AB) estn definidas
sobre el espacio muestral .
P(A/B) = P(AB) / P(B)
En cambio aqu, el evento B
funciona como un espacio
muestral reducido
P(A/B) = # (AB) / # (B)


monedas han salido cara los resultados posibles son ccs, csc y scc. Da-
do que los tres resultados son(en este caso) equiprobables, y puesto que
solo en los dos primeros la moneda es cara, podemos concluir que: si sa-
bemos que en dos de las tres monedas ha salido cara, entonces la proba-
bilidad de que la primera moneda sea cara es 2/3.
Ms exactamente, hemos calculado una probabilidad condicional. Esto es,
hemos determinado que bajo la condicin de que sabemos que dos de las
tres monedas han salido cara, la probabilidad condicionada de que la pri-
mera sea cara es 2/3, lo que matemticamente se expresa como:
P(cara en la primera moneda | cara en dos monedas) =2/3.
La barra vertical | establece bajo la condicin o dado que.
En este ejemplo, A es el suceso de que la primera moneda sea cara,
mientras que B es el suceso de que haya salido cara en dos monedas.
Por tanto en trminos matemticos, A= {ccc, ccs, csc, css}, B= {ccs, csc,
scc } y A B ={ccs. csc}. En consecuencia se ha calculado:

{ }
{ } ( )
. 3 / 2
8 / 3
8 / 2
csc, ,
) csc , (
) (
) (
) / ( = = =
=
scc ccs P
ccs P
B P
B A P
B A P
Por otra parte, y de forma anloga, podemos calcular
P(cruz en la primera moneda | cara en dos monedas) =1/3.
Vemos por tanto que condicionar un suceso (como es el caso de cara en
la primera moneda) o bien disminuirla (como en cruz en la primera mo-
neda).
Ejemplo 2: Considere que se dispone la siguiente informacin relacionada
con el comportamiento de un gran nmero de clientes:
Intencin de
comprar algo
Decisin: compra algo
Total
Si (B) No
Si (A) 1100 100 1200
No 500 800 1300
Total 1600 900 2500
Sea Los eventos:
A = El cliente visita el establecimiento comercial con la intencin de com-
prar algo
B = El cliente que visita el establecimiento comercial compra algo (lo que
estaba buscando)
Considerando la probabilidad como una frecuencia relativa, podemos cal-
cular la probabilidad de a dado B del siguiente modo:


48 . 0
2500
1200
) ( #
) ( #
) ( = =
O
=
A
A P
64 . 0
2500
1600
) ( #
) ( #
) ( = =
O
=
B
B P
44 . 0
2500
1100
) ( #
) ( #
) ( = =
O
=
B A
B A P
6875 . 0
64 . 0
44 . 0
) (
) (
) / ( = =
=
B P
B A P
B A P
Es exactamente lo mismo cuando consideramos al evento B como un es-
pacio muestra reducido, en el cual, en el cual calculamos la misma proba-
bilidad:
6875 . 0
1600
1100
) ( #
) ( #
) / ( = =
=
B
B A
B A P
Finalmente note que la definicin de P(B/A) conduce inmediatamente a la
frmula del producto
). / ( ) ( ) ( A B P A P B A P =
Esto nos permite calcular la probabilidad conjunta de A y B conociendo la
probabilidad de A y la probabilidad condicional de B dado A.
La probabilidad condicional nos permite expresar el teorema ley de la
probabilidad total, versin no condicionada, de una forma diferente y al-
gunas veces ms til.
8. Regla de la multiplicacin
i. Para dos eventos: Supongamos que A y B, son dos eventos cualquiera
del mismo espacio muestral ,
) / ( ) ( ) ( A B P A P B A P =
ii. Para varios eventos: Supongamos que A
1
, A
2
, , A
k
, son k eventos cual-
quiera del mismo espacio muestral ,

) ... / ( )... / ( ) / ( ) ( ) ... (
1 1 2 1 3 1 2 1 3 2 1
=
k k k
A A A P A A A P A A P A P A A A A P
Ejemplo 1:
Si seleccionamos aleatoriamente dos personas en sucesin de un con-
junto de 240 personas de los cuales 15 tienen presin alta, Cul es la
probabilidad de que ambas personas tengan presin alta?


Solucin:
Si suponemos probabilidades iguales para cada seleccin (que es lo que
queremos decir al seleccionar aleatoriamente personas), la probabilidad
de que la primera persona tenga presin alta es 15/240, y la probabilidad
de que la segunda persona tambin tenga presin alta dado que la pri-
mera persona tena presin alta es 14/239. As la probabilidad de que
ambas personas tengan presin alta es 15/240.14/239 = 7/1912 =
0.003661
Tambin lo podemos presentar del siguiente modo:
Sea: A
1
= La primera persona seleccionada tiene presin alta
A
2
= La segunda persona seleccionada tiene presin alta
A
1
A
2
=Ambas personas seleccionadas tienen presin alta
P(A
1
A
2
) = P(A
1
)P(A
2
/A
1
)
= (15/240).(14/239)
= 0.003661
Esto supone que estamos muestreando sin reemplazo; esto es la prime-
ra persona seleccionada no se regresa a la poblacin antes de que de
seleccionar la segunda persona.
Ejemplo 2:
Encuentre las probabilidades de sacar aleatoriamente dos ases de una
baraja ordinaria de 52 cartas de juego, si muestreamos
a) Sin reemplazo;
b) Con reemplazo.
Solucin:
a) Si la primera carta no se reemplaza antes de que se saque la segun-
da, la probabilidad de sacar dos ases en sucesin es
121
1
.
51
3
.
52
4
=
b) Si la primera carta se reemplaza antes de que se saque la segunda,
la probabilidad correspondiente es
169
1
.
52
4
.
52
4
=
Ejemplo3:
Una caja de vacunas contiene 20 vacunas, de las cuales cinco estn
defectuosas. Si se seleccionan tres vacunas aleatoriamente y se sa-


can de la caja en sucesin sin reemplazo, Cul es la probabilidad de
que las tres vacunas estn defectuosas?
Solucin:
Si A es el evento de que el primer fusible este defectuoso, B es el
evento de que el segundo fusible este defectuoso, y C es el evento
de que el tercer fusible sea defectuoso, entonces P(A)=5/20,
P(B|A)=4/19, P(C|AB)=3/18 y la sustitucin en la formula nos da :
114
1
18
3
.
19
4
.
20
5
) ( = = C B A P
9. Eventos independientes
Si A y B son dos eventos cualesquiera de un mismo espacio muestral ,
entonces decimos que estos dos eventos son independientes si la ocu-
rrencia o no ocurrencia de cualquiera de los dos no afecta la probabilidad
de ocurrencia del otro.
Con smbolos, dos eventos A y B son independientes si, ) ( ) / ( B P A B P = o
en forma equivalente ) ( ) / ( A P B A P = , siempre que las probabilidades
condicionales existan, es decir que 0 ) ( = A P y tambin 0 ) ( = B P .
Si esta igualdad lo remplazamos en la regla de multiplicacin para dos
eventos, obtenemos que:
) / ( ) ( ) ( A B P A P B A P =
) ( ). ( B P A P =

Por lo que finalmente podemos decir que, dos eventos A y B son inde-
pendientes si y solo si:
) ( ). ( ) ( B P A P B A P =
Generalizando para k eventos, tenemos que los eventos A
1
, A
2
, , A
k
, son
independientes si y slo si la probabilidad de la interseccin de cualquiera
2, 3, , o k de estos eventos es igual al producto de sus probabilidades
respectivas.
Para tres eventos A, B y C, por ejemplo, la independencia requiere que:
) ( ). ( ) ( B P A P B A P =
) ( ). ( ) ( C P A P C A P =
) ( ). ( ) ( C P B P C B P =
) ( ) ( ). ( ) ( C P B P A P C B A P =

Cada una de las tres ecuaciones anteriores se cumplen, pero no la ecua-
cin ) ( ) ( ). ( ) ( C P B P A P C B A P = . En este caso los sucesos A,B y C son
independientes parejas, pero no en conjunto.
Finalmente los eventos A
1
, A
2
, , A
k
, son Conjuntamente Independientes
si y slo si


) ( )... ( ) ( ) ( ) .... (
3 2 1 3 2 1 k k
A P A P A P A P A A A A P =
Ejemplo
La figura muestra un diagrama de Venn con probabilidades asignadas a
sus diversas regiones.

Verifique que A y B son independientes, que A y C son independientes que
B y C son independientes pero que A, B y C no son independientes.
Solucin:
Como se puede ver en el diagrama, P(A)=P(B)=P(C) =1/2, P(AB)=
P(AC)= P(BC)= y P(ABC) =1/4. As,

) (
4
1
) ( ). (
) (
4
1
) ( ). (
) (
4
1
) ( ). (
C B P C P B P
C A P C P A P
B A P B P A P
= =
= =
= =

Pero
) (
8
1
) ( ). ( ). ( C B A P C P B P A P = =
A propsito del ejemplo anterior se le puede dar una interpretacin real al
considerar un cuarto grande que tiene tres interruptores separados que
controlan las luces del techo. Estas luces estarn encendidas cuando los
tres interruptores estn hacia arriba y por tanto tambin cuando uno de
los interruptores este hacia arriba y los otros dos estn hacia abajo. Si
A es el evento que el primer interruptor este hacia arriba, B es el evento
que el segundo interruptor este hacia arriba y C es el evento de que el
tercer interruptor este hacia arriba, el diagrama de Venn de la figura ante-
rior muestra un posible conjunto de probabilidades asociado con que los
interruptores estn hacia arriba o hacia abajo cuando las luces del te-
cho estn estn prendidas.

Ejemplo:
Encuentre las probabilidades de obtener:

1/4
1/4
A
B
C


a) Tres caras en tres lanzamientos aleatorios de una moneda balanceada;
b) Cuatro, seis y despus otro nmero en cinco lanzamientos aleatorios
de un dado balanceado.

Solucin:

a) Al multiplicar las probabilidades respectivas, obtenemos:

8
1
2
1
.
2
1
.
2
1
=

b) Al multiplicar las probabilidades respectivas, obtenemos:
7776
5
6
5
.
6
1
.
6
1
.
6
1
.
6
1
=

Ejemplo:
Supongamos que tiramos un dado equilibrado de seis caras y una moneda
tambin equilibrada. Podemos expresarlo como:

={1c,2c,3c,4c,5c,6c,1s,2s,3s,4s,5s,6s}.

Si A es el suceso correspondiente a que aparezca un 5 a tirar el dado y B
a que la moneda caiga como cruz, entonces P(A)=P({5c,5s}) = 2/12 = 1/6,
y P(B)=P({1s,2s,3s,4s,5s,6s})= 6/12 =1/2. Adems P(AB) = P({5s}) = ,
que es igual a (1/6)(1/2). De ah que en este caso A y B sean independien-
tes.
10. Probabilidad total
i. Para dos eventos: Para cualquier par de eventos A y B de un mismo
espacio muestral , entonces:
) ' ( ) ( ) ( A B P A B P B P + =

ii. Para varios eventos: Supongamos que A
1
, A
2
, , A
k
, constituye una
particin del espacio muestral , es decir que j i A A
j i
= u = y


O =
=
n
i
i
A
1
, entonces: ) ( ... ) ( ) ( ) (
2 1 k
A B P A B P A B P B P + + + = , o
tambin se puede expresar como:
=
=
k
j
j j
A B P A P B P
1
) / ( ) ( ) (

Ejemplo 1:
Una clase est formada por un 60% de chicas y 40% de chicos. Supon-
gamos que el 30% de las chicas y el 20% de los chicos llevan el pelo lar-
go. Si se escoge un alumno de la clase al azar, Cul es la probabilidad
de que el alumno seleccionado lleve el pelo largo?
Para resolverlo, llamemos
1
A al conjunto de chicas y
2
A al conjunto de chi-
cos, con lo cual { }
2 1
, A A es una particin de la clase. Llamemos adems B
al conjunto de todos los alumnos con pelo largo.
Nos interesa calcular P(B), que por el teorema ley de probabilidad total resulta:
26 . 0 ) 2 . 0 )( 4 . 0 ( ) 3 . 0 )( 6 . 0 ( ) / ( ) ( ) / ( ) ( ) (
2 2 1 1
= + = + = A B P A P A B P A P B P , es decir,
existe un 26% de probabilidad de que el alumno seleccionado al azar lleve
el pelo largo.
Ejemplo 2 :
La terminacin de un trabajo de construccin se puede retrasar a causa de
una huelga. Las probabilidades son 0.60 de que habr una huelga, 0.85 de
que el trabajo de construccin se termine a tiempo si no hay huelga y 0.35
de que el trabajo de construccin termine a tiempo si hay huelga. Cul es
la probabilidad de que el trabajo de construccin termine a tiempo?
Solucin:
Si B es el evento de que el trabajo de construccin se terminara a tiempo y
A es el evento de que habr una huelga, se nos dan P(A) = 0.60,
P(B|A')=0.85 y P(B/A)=0.35. Nos valemos de que AB y AB son mutua-
mente excluyentes y de la forma alternativa de la regla de multiplicacin,
podemos escribir:


| | ) ' ( ) ( ) ( B A B A P B P =
) ' ( ) ( B A P B A P + =
) ' / ( ) ' ( ) / ( ) ( A B P A P A B P A P + =
Entonces al sustituir los valores numricos dados obtenemos:
55 . 0 ) 85 . 0 )( 60 . 0 1 ( ) 35 . 0 )( 60 . 0 ( ) ( = + = B P

Ejemplo 3:
Los miembros de una empresa de consultora rentan automviles de tres
agencias de renta de automviles: 60% de la agencia 1, 30% de la agencia
2 y 10% de la agencia 3.
Si 9% automviles de la agencia 1 necesita una afinacin, 20% de los au-
tos dela agencia 2 necesita una afinacin, y 6% de los autos de la agencia
3 necesitan una afinacin, cul es la probabilidad de que un automvil
rentado, entregado una fiesta necesite una afinacin?
Solucin:
Si B es el evento de que un automvil necesita una afinacin y
3 2 , 1
B y A A
son los eventos de que el automvil venga de las agencias1, 2 3, tene-
mos , 60 . 0 ) (
1
= A P , 30 . 0 ) (
2
= A P , 10 . 0 ) (
3
= A P , 09 . 0 ) | (
1
= A B P
20 . 0 ) | (
2
= A B P y 06 . 0 ) | (
3
= A B P .
Al sustituir esos valores en la frmula del teorema anterior obtenemos:
12 . 0 ) 06 . 0 )( 10 . 0 ( ) 20 . 0 )( 30 . 0 ( ) 09 . 0 )( 60 . 0 ( ) ( = + + = B P
As 12% de los automviles rentadas entregados a esta empresa necesita-
ran una afinacin.
Con respecto al ejemplo precedente, supongamos que nos interesa la si-
guiente pregunta: si un automvil rentado entregado a la empresa de con-
sultora necesita una afinacin, Cul es la probabilidad de que haya veni-
do de la agencia de renta 2? Para responder a preguntas de esta clase,
necesitamos el siguiente teorema, llamado el teorema de Bayes.



11. Teorema de Bayes.
Sea { }
n
A A A , .... , ,
2 1
una particin del espacio muestral , es decir que
i
n
i
A
1 =
= O , adems u =
j i
A A , j i = . Entonces si B es un evento
cualquiera con 0 ) ( > B P , se verifica que:
) (
) (
) / (
B P
B A P
B A P
i
i

= n i , .... , 3 , 2 , 1 =
o tambin:
) / ( ) (
) / ( ) (
) / (
1
j
k
j
j
i i
i
A B P A P
A B P A P
B A P
=
=
Demostramos el clculo:
) | (
) (
) (
) (
) (
) (
) (
) / (
) (
) (
B A P
B P
B A P
A P
B A P
B P
A P
A B P
B P
A P
=
=
Conduce al resultado anterior.
Las aplicaciones estndar de la frmula del producto, la ley de probabili-
dad total y el teorema de Bayes corresponden a sistemas de dos etapas.
La respuesta de este tipo de sistemas puede considerarse que ocurre en
dos etapas. En general se conocen las probabilidades relativas a la prime-
ra etapa y las probabilidades condicionales para la segunda etapa. La fr-
mula del producto se utiliza para calcular probabilidades conjuntas de am-
bas etapas, la ley de la probabilidad total para calcular probabilidades de la
segunda etapa, y el Teorema de Bayes para calcular probabilidades de la
primera etapa habiendo ocurrido alguno de los sucesos de la segunda
etapa.

Ejemplo 1. Supongamos que un artculo es manufacturado por tres fbri-
cas, sean 1, 2 y 3. Se sabe que la primera produce el doble de artculos
que la segunda y que sta y la tercera producen igual nmero de artculos
(durante un perodo de produccin dado). Se sabe tambin que la primera


y la segunda producen 2% de defectuosos, y la tercera produce 4% de
defectuosos. Se colocan juntos todos los artculos producidos en una fila y
se escoge uno al azar, el cual resulta ser defectuoso. Cul ser la proba-
bilidad de que lo haya producido la primera fbrica?.
Este es un caso tpico de aplicacin del teorema de Bayes. Usando la no-
tacin anterior necesitamos calcular P(A
1
/B), lo cual lo podemos obtener
usando el teorema de Bayes:
) / ( ) (
) / ( ) (
) / (
3
1
1 1
1
j
k
j
j
A B P A P
A B P A P
B A P
=
=
=
El teorema de Bayes tambin es conocido como la frmula para la proba-
bilidad de las causas. Puesto que las A
i
son una particin del espacio
muestral, uno y solo uno de los eventos A
i
ocurre (esto es, uno de los su-
cesos A
i
debe ocurrir y solamente uno). Por lo tanto la frmula anterior nos
da la probabilidad de una A
i
particular (esto es una causa), dado que el
suceso B ha ocurrido. Para aplicar este teorema debemos conocer las
P(A
i
) y las P(B/A
i
).
Para nuestro ejemplo, los clculos son presentados en el siguiente cuadro:

40 . 0
25 . 0 04 . 0 25 . 0 02 . 0 5 . 0 02 . 0
5 . 0 02 . 0
) / (
1
=
+ +

= B A P



Laboratorio 1:
1. Un juego electrnico contiene tres componentes en un circuito del tipo serie
paralelo de la siguiente figura. En un momento dado cualquiera, cada com-
ponente puede estar en operacin o no, y el juego funcionar solo si hay un
circuito ininterrumpido de P a Q. Sea A el evento de que el juego funcionar;
Sea B el evento de que el juego funcionar aunque el componente X no est
en operacin; y sea C el evento de que el juego funcionar aunque el com-
ponente Y no est en operacin. Use la notacin en la cual (0,0,1) por ejem-
plo, denota que el componente Z est en operacin pero los componentes
X y Y no lo estn.
a. Enumere lo elementos del espacio muestral y tambin los elemen-
tos de los eventos A, B y C.
b. Determine qu pares de eventos A y B, A y C o B y C son mutua-
mente excluyentes.

P Q

2. En un grupo de 200 estudiantes universitarios, 138 estn matriculados
en un curso de Psicologa, 115 estn inscritos en un curso de sociolo-
ga y 91 estn inscritos en ambos cursos. Cuntos de estos estu-
diantes no estn inscritos en ninguno de los cursos?.
3. Explique por qu hay un error en cada una de las siguientes declaracio-
nes:
a) La probabilidad de que Jean apruebe el examen de la barra de abo-
gados es 0.66 y la probabilidad de que no lo pase es 0.34.
b) La probabilidad de que el equipo de casa gane un juego de futbol
venidero es 0.77, la probabilidad de que se empate el juego es 0.08
y la probabilidad de que gane o empate el juego es 0.95.
c) Las probabilidades de que una secretaria cometa 0, 1, 2, 3, 4, 5 o
ms errores al mecanografiar un informe son, respectivamente,
0.12, 0.25, 0.36, 0.14, 0.09 y 0.07.
d) Las probabilidades de que un banco reciba 0, 1, 2, 3 o ms cheques
malos en un da dado son, respectivamente, 0.08, 0.21, 0.29 y 0.40.
4. De los 78 doctores del personal de un hospital, 64 tienen seguro contra
tratamiento errneo, 36 son cirujanos y 34 de los cirujanos tienen segu-
ro contra tratamiento errneo. Si uno de estos doctores se escoge al
azar para representar al personal del hospital en una convencin de la
A.M.A. (esto es, cada doctor tiene una probabilidad de
78
1
de ser selec-
cionado), Cul es la probabilidad de que el seleccionado no sea un ci-
rujano y no tenga seguro contra tratamiento errneo?
X
Y
Z


5. Una profesora de biologa tiene dos asistentes graduados que la ayudan
con su investigacin. La probabilidad de que el mayor de los asistentes
se ausente en un da dado es 0.08, la probabilidad de que el ms joven
de los dos se ausente en un da dado e 0.05 y la probabilidad de que
ambos se ausenten en un da dado es 0.02. Encuentre las probabilida-
des de que
a) Cualquiera o ambos de los asistentes graduados est ausente en
cualquier da dado;
b) Al menos uno de los dos asistentes graduados no est ausente
en cualquier da dado;
c) Slo uno de los dos asistentes graduados est ausente en cual-
quier da dado.
6. hay noventa aspirantes para un trabajo en el departamento de noticias
de una estacin de televisin. Algunos son egresados de la universi-
dad y algunos no, algunos de ellos tienen al menos tres aos de expe-
riencia y algunos no la tienen, el anlisis exacto es:
Formacin
Experiencia
Egresados de la
Universidad
No Egresados de la
universidad
Al menos tres aos de experiencia
18 9
Menos de tres aos de experiencia
36 27
Si el orden en que el gerente de la estacin entrevista a los aspirantes es
aleatorio, G es el evento que el primer aspirante entrevistado sea un egre-
sado de la universidad, y T es el evento de que el primer aspirante entre-
vistado tenga al menos tres aos de experiencia, determine cada una de
las siguientes probabilidades directamente de los asientos y de los reglo-
nes y columnas de la tabla:
a) ); ( T G P
b) ); ( T G P ' '
c) ); ( T G P
d) ). ( T G P '

7. La probabilidad de sobrevivir a una cierta operacin de trasplante es
0.55. si un paciente sobrevive la operacin, la probabilidad de que su
cuerpo rechace el trasplante en menos de un mes es 0.20. Cul es
la probabilidad de que sobreviva a estas etapas crticas?
8. Los registros mdicos muestran que una entre diez personas en una
cierta ciudad tiene deficiencia tiroidea. Si se escogen aleatoriamente
12 personas en esta ciudad y se les hace un anlisis, Cul es la pro-
babilidad de que al menos una de ellas tenga una deficiencia tiroidea?
9. Si 5 de los diez camiones repartidores de una compaa no satisfacen
los estndares de emisin y tres de ellos se seleccionan para una ins-
peccin, cul es la probabilidad de que ninguno de los camiones se-
leccionados satisfar los estndares de emisin?


10. Una tienda departamental que factura a sus clientes una vez al mes
ha encontrado que si un cliente paga oportunamente en un mes, la
probabilidad es 0.90 de que l o ella pague tambin oportunamente el
siguiente mes-, sin embargo, si un cliente no paga oportunamente en
un mes, la probabilidad de que l o ella pague oportunamente el mes
siguiente es solamente 0.40.
a) Cul es la oportunidad de que un cliente que paga oportunamente
en un mes tambin pagara oportunamente los tres meses siguien-
tes?
b) Cul es la probabilidad de que un cliente que no paga oportuna-
mente en un mes tampoco pagara oportunamente los siguientes
dos meses y despus haga un pago oportuno al mes siguiente de
ello?
11. Por experiencia se sabe que en una cierta industria 60% de todos los
litigios entre los trabajadores y la administracin son por salarios, 15%
por las condiciones de trabajo y 25% son sobre aspectos de presta-
ciones. Tambin 45% de los litigios por salarios se resuelven sin huel-
gas, 70% de los litigios por condiciones de trabajo se resuelven sin
huelgas y 40% de los litigios acerca de prestaciones se resuelven sin
huelgas. cul es la probabilidad de que un litigio entre trabajadores y
la administracin se resuelva sin una huelga?
12. En una cierta comunidad, 8% de todos los adultos mayores de 50
aos tienen diabetes. Si un servicio de salud en esta ciudad diagnos-
tica correctamente a 95% de las personas con diabetes como enfer-
mas de diabetes e incorrectamente diagnostica a 2% de todas las
personas sin diabetes como enfermas de diabetes, encuentre la pro-
babilidad de que
a) El servicio de salud comunitario diagnosticara a un adulto mayor de
50 aos como enfermo de diabetes
b) Una persona mayor de 50 diagnosticada con diabetes por el servi-
cio de salud realmente tenga la enfermedad.



2 UNIDAD: VARIABLES ALEATORIAS
1. Variables aleatorias discretas:
Definicin 1: Se dice que X es una variable aleatoria discreta unidimensional si es una
variable que toma solo un conjunto finito o infinito numerable de valores del eje X. Su-
pongamos que X toma nicamente los valores ,... ,..., ,
2 1 n
x x x con probabilidades
),... ( ..., ), ( ), (
2 1 n
x p x p x p y supongamos que A es cualquier subconjunto de los puntos
,... ,..., ,
2 1 n
x x x . La probabilidad ) (A P del suceso A (probabilidad de que x est en A) se
define como:
=
A
x p A P ) ( ) (
Donde Representa la suma de f(x) para aquellos valores x
i
que pertenecen a A.
As por ejemplo:
- P(X=2) quiere decir probabilidad de que el valor de la variable aleatoria X sea igual a 2
- P(3<X<5) significa probabilidad de que el valor de la variable aleatoria X est comprendido
entre 3 y 5,
Definicin 2: Sea un experimento aleatorio y O el espacio muestral asocia-
do con el experimento. Una funcin X que asigna a cada uno de los elementos
O e s , un nmero real ) (s X se llama Variable aleatoria.

O = Espacio muestral de R
x
= Valores posibles de X

X ) (s X = Valor de la variable

(Recorrido o Rango de X)

Ejemplo. Sea el experimento aleatorio = Lanzar tres monedas legales sobre una
superficie regular, entonces el espacio muestral debe ser
{ } sss ssc scs css scc ccs ccc , , , , csc, , , = O , considere tambin que la variable aleatoria X =
Nmero de caras al lanzar tres monedas legales sobre una superficie regular, entonces
el Rango o conjunto de valores que podra tomar esta variable ser: { } 3 , 2 , 1 , 0 =
X
R

O = Espacio muestral X R
x
= Valores posibles de X
3
2 ) ( = ccs X
1
0

A
x p ) (
CCC
CCS
CSC
SCC
CSS
SCS
SSC
SSS

S


2. Funcin de Probabilidades
Llamaremos a ) (x p funcin de probabilidades o funcin de cuanta por tra-
tarse de una variable discreta, siempre que cumpla con las dos condicio-
nes siguientes:
i) 0 ) ( >
i
x p ,.... 4 , 3 , 2 , 1 , = i
ii) 1 ) ( =
i
x p
Como ejemplo consideremos el experimento aleatorio de lanzar cuatro
monedas legales sobre una superficie regular, y definamos la variable X =
Nmero de caras al lanzar cuatro monedas legales sobre una superficie
regular, por lo tanto X debe tomar los valores 0, 1, 2, 3, 4. Para determinar
la funcin de cuanta ) (x f debemos observar que el nmero de formas en
que pueden caer las cuatro monedas es
( ) 16 2 #
4
= = = O
es repeticion de nmero
des posibilida de nmero
Donde:
Nmero de posibilidades = Nmero de caras de una moneda = 2
Nmero de repeticiones = Nmero de monedas lanzadas o en forma equi-
valente nmero de veces que se lanza una
misma moneda.

El nmero de formas en que pueden aparecer x caras es
|
|
.
|
\
|
x
4
; por lo tan-
to:
4
2
4
) (
|
|
.
|
\
|
=
x
x p ; 4 , 3 , 2 , 1 , 0 = x
Se puede verificar que:
i) 0
2
4
) (
4
>
|
|
.
|
\
|
=
x
x p
ii) 1
2
4
) (
4
4
0
4
0
=
|
|
.
|
\
|
=

= =
x
x p
x x



Por lo que concluimos que
4
2
4
) (
|
|
.
|
\
|
=
x
x p es una funcin de cuanta.

A menudo, la distribucin de probabilidades de X se suele representar
por el rango y su funcin de cuanta, es decir que, la distribucin de la va-
riable X de nuestro ejemplo se puede representar as:

Rango: { } 4 , 3 , 2 , 1 , 0 =
X
R

X ~
Funcin de cuanta:
4
2
4
) (
|
|
.
|
\
|
=
x
x p

Podemos calcular los valores de la funcin de cuanta para cada uno de
los valores de X:

Para 0 = x : 1
! 4 ! 0
! 4
0
4 4
=
=
|
|
.
|
\
|
=
|
|
.
|
\
|
x
entonces 0625 . 0
16
1
2
0
4
) 0 (
4
= =
|
|
.
|
\
|
= p

Para 1 = x : 4
! 3 ! 1
! 4
1
4 4
=
=
|
|
.
|
\
|
=
|
|
.
|
\
|
x
entonces 25 . 0
16
4
2
1
4
) 0 (
4
= =
|
|
.
|
\
|
= p

Para 2 = x : 6
! 2 ! 2
! 4
2
4
2
4
=
=
|
|
.
|
\
|
=
|
|
.
|
\
|
entonces 375 . 0
16
6
2
2
4
) 2 (
4
= =
|
|
.
|
\
|
= p

Para 3 = x : 4
! 1 ! 3
! 4
3
4 4
=
=
|
|
.
|
\
|
=
|
|
.
|
\
|
x
entonces 25 . 0
16
4
2
3
4
) 3 (
4
= =
|
|
.
|
\
|
= p

Para 4 = x : 1
! 0 ! 4
! 4
4
4 4
=
=
|
|
.
|
\
|
=
|
|
.
|
\
|
x
entonces 0625 . 0
16
1
2
4
4
) 4 (
4
= =
|
|
.
|
\
|
= p



Si lo escribimos en una tabla, debemos tener:
Nmero de
caras X
Probabilidad
P(X)
0 0.0625
1 0.2500
2 0.3750
3 0.2500
4 0.0625
Total 1

Y al graficarlo tenemos:

Conviene resaltar que ) (x p da las frecuencias relativas con que se presen-
ta cada uno de los valores de x . As, si suponemos que las cuatro mone-
das se lanzan un gran nmero de veces, debemos esperar que no aparez-
can caras ( 0 = x ) en
16
1 aproximadamente de las tiradas; esperamos
que aparezca una cara ( 1 = x ) en la cuarta parte aproximadamente de las
tiradas, y as sucesivamente. Decimos aproximadamente porque ya estamos
familiarizados con las fluctuaciones que acompaan los sucesos aleato-
rios.
Los resultados de un experimento real de lanzamientos de 4 monedas
pueden verse en la siguiente tabla. Se lanzaron 4 monedas 160 veces,
contando el nmero de caras aparecidas en cada prueba.



Resultado del lanzamiento de 4 monedas 160 veces
Nmero de
caras X
Probabilidad
P(X)
Ocurrencias
efectivas
Ocurrencias
esperadas
0 0.0625 6 10
1 0.2500 41 40
2 0.3750 56 60
3 0.2500 45 40
4 0.0625 12 10
Total 1 160 160

Conocida la funcin de cuanta de una variable aleatoria x , podemos dar
respuesta a cualquier cuestin probabilstica relativa a x . As por ejemplo,
para la variable X = Nmero de caras al lanzar de las 4 monedas, la pro-
babilidad de obtener 2 caras es:
375 . 0
16
6
2
2
4
) 2 ( ) 2 (
4
= =
|
|
.
|
\
|
= = = p x P
La probabilidad de que el nmero de caras sea inferior a 3 es
6875 . 0
16
11
16
6
16
4
16
1
2
2
4
2
1
4
2
0
4
) 2 ( ) 1 ( ) 0 ( ) ( ) 3 (
4 4 4
2
0
= = + + =
|
|
.
|
\
|
+
|
|
.
|
\
|
+
|
|
.
|
\
|
= + + = = <

=
p p p x p x P
x

La probabilidad de que el nmero de caras est entre 1 y 3, ambos inclusi-
ve es,
875 . 0
16
14
16
4
16
6
16
4
2
3
4
2
2
4
2
1
4
) 3 ( ) 2 ( ) 1 ( ) ( ) 3 1 (
4 4 4
3
1
= = + + =
|
|
.
|
\
|
+
|
|
.
|
\
|
+
|
|
.
|
\
|
= + + = = s s

=
p p p x p x P
x

Supongamos que deseamos calcular la probabilidad condicional de que un
nmero de caras sea menor que tres cuando se sabe que dicho nmero es
menor que cuatro. Sea A el suceso aparecen menos de tres caras, es
decir,
{ } 2 , 1 , 0 : = = x x A
Sea B el suceso aparecen menos de cuatro caras; esto es,
{ } 3 , 2 , 1 , 0 : = = x x B
Deseamos calcula P(A/B). Por definicin de probabilidad condicional,
) (
) (
) / (
B P
B A P
B A P

=
Ahora bien:
{ } 2 , 1 , 0 : = = x x B A
Luego



16
11
2
4
) ( ) (
4
2
0
2
0
=
|
|
.
|
\
|
= =

=
=
x
x
x
x p B A P
Tambin

16
15
2
4
) ( ) (
4
3
0
3
0
=
|
|
.
|
\
|
= =

=
=
x
x
x
x p B P
De donde:
15
11
16 / 15
16 / 11
) 4 / 3 ( ) / ( = = < < = x x P B A P
La interpretacin frecuencial es la siguiente: Supongamos que cuatro mo-
nedas ideales se lanzan un gran nmero de veces y se registra el nmero
de caras de cada tirada solamente en los casos en que aparecen menos de
cuatro caras. La fraccin de estos casos (donde aparecen menos de cua-
tro caras) en que aparecen menos de tres caras ser aproximadamente
11/15.
3. Distribuciones acumulativas: A menudo es necesario calcular probabili-
dades del tipo ) 3 ( < x P , ) 3 1 ( s s x P , etc. En estos casos es conveniente
definir una nueva funcin, llamada Funcin de distribucin acumulativa.
Para una funcin de cuanta ) (
i
x f , ,..., 2 , 1 = i la distribucin acumulativa
) (x F se define por
<
=
x x
i
i
x p x F ) ( ) (
Donde la suma para todos los valores de i tales que x x
i
< . Es fcil ver
que
) ( ) ( x X P x F s =
Y que
) ( ) ( ) ( a F b F b X a P = s <

Por consiguiente, puede demostrarse que para una variable aleatoria dis-
creta es posible obtener la distribucin acumulativa a partir de la funcin de
densidad, y viceversa.

Propiedades: Una funcin de distribucin tiene las siguientes propiedades:
i) 0 ) ( = F , 1 ) ( = + F
ii) Montona no decreciente. En variables discretas crece por saltos.
iii) Continua por la derecha

Ejemplo: Para el caso de la variable aleatoria X = Nmero de caras al lan-
zar 4 monedas legales:



La funcin de distribucin obtenida a partir de la funcin de cuanta es
<
=
x x
i
i
x p x F ) ( ) (

Para x < 0 :
0 ) ( ) (
0
= =

= <x x
i
i
x p x F

Para 0 x < 1 :
0625 . 0 ) 0 ( ) ( ) (
1
= = =

= <
p x p x F
x x
i
i

Para 1 x < 2 :
3125 . 0 ) 1 ( ) 0 ( ) ( ) (
2
= + = =

= <
p p x p x F
x x
i
i

Para 2 x < 3 :
6875 . 0 ) 2 ( ) 1 ( ) 0 ( ) ( ) (
3
= + + = =

= <
p p p x p x F
x x
i
i

Para 3 x < 4 :
9375 . 0 ) 3 ( ) 2 ( ) 1 ( ) 0 ( ) ( ) (
4
= + + + = =

= <
p p p p x p x F
x x
i
i

Para x 4 :
{ }
1 ) 4 ( ) 3 ( ) 2 ( ) 1 ( ) 0 ( ) ( ) (
4
= + + + + = =

> <
p p p p p x p x F
x x
i
i

Funcin de cuanta Funcin de Distribucin
Nmero de
caras x
Probabilidad
P(x)

x F(x) = P(X x)
0 0.0625 x < 0 0
1 0.2500 0 x < 1 0.0625
2 0.3750 1 x < 2 0.3125
3 0.2500 2 x < 3 0.6875
4 0.0625 3 x < 4 0.9375
Total 1 x 4 1

Cuyos grficos son:

Laboratorio 2


1. Determine si la funcin puede servir como distribucin de probabilida-
des de una variable aleatoria con el rango dado
a.

5
2
) (

=
x
x p
para x = 1, 2, 3, 4, 5.
b.
30
) (
2
x
x p =
para x = 0, 1, 2, 3, 4.
2. Construya un grfico de barras de probabilidad para cada una de las
siguientes funciones de cuanta
a.
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
=
3
6
3
4 2
) (
x x
x p
Para x = 0, 1, 2.
b.
( ) ( )
x x
x
x p

|
|
.
|
\
|
=
5
8 . 0 2 . 0
5
) (
Para x = 0,1, 2, 3, 4, 5.
3. Una moneda est alterada para que las caras sean doblemente proba-
bles que los sellos. Para tres lanzamientos independientes de la mone-
da, encuentre:
a. La funcin de cuanta de X = nmero total de caras
b. La probabilidad de obtener a lo ms dos caras
c. La probabilidad de obtener ms de dos caras
4. Se lanzan dos dados, cul es la funcin de cuanta de la suma de los
dos nmeros que aparecen en la cara superior de los dados?.
5. En una ciudad de 5000 adultos, se pregunta a una muestra de 10, cul
es su opinin sobre una propuesta de proyecto municipal; se obtienen
6 respuestas a favor del proyecto y 4 en contra. Si en realidad los adul-
tos estuvieran divididos en dos grupos iguales respecto a dicha pro-
puesta, Cul sera la probabilidad de obtener una mayora de 6 o
ms, en una muestra de tamao 10?
6. Un distribuidor de semillas ha determinado a partir de numerosos en-
sayos que el 5% de un grupo grande de semillas no germina; vende
las semillas en paquetes de 100, garantizando la germinacin del 90%.
Cul es la probabilidad de que un paquete dado no cumpla la garan-
ta?
7. Se trata de utilizar un proceso de fabricacin para la obtencin de
conmutadores con un porcentaje de defectuosos no superior a 1%. Se
comprueba el proceso cada hora, ensayando 10 conmutadores elegi-
dos aleatoriamente entre los obtenidos en una hora. Si fallan uno o
ms de los 10, se detiene el proceso y se procede a un examen cuida-
doso. Si la probabilidad real de producir un conmutador defectuoso es
0.01, Cul es la probabilidad de que el proceso sea examinado sin
que sea necesario en un caso determinado?
8. Una compaa de seguros halla que el 0.005% de la poblacin fallece
cada ao de un cierto tipo de accidente. Cul es la probabilidad de
que la compaa tenga que pagar a ms de 3 de los 10 000 asegura-
dos contra tales accidentes en una ao dado?.


4. Valores esperados y momentos de Variables aleatorias discretas
1) Valor esperado de una variable aleatoria: El valor esperado de una
variable aleatoria o de cualquier funcin de una variable aleatoria es un
nmero real -que puede o no ser un posible valor de la variable aleato-
ria- al cual tienden los valores de dicha variable en el largo plazo, y re-
presenta el centro de masa la distribucin de dicha variable. Se obtiene
hallando el valor medio de la funcin para todos los valores posibles de
la variable.
La definicin matemtica del valor esperado es:
Definicin: Sea X una variable aleatoria discreta con funcin de cuanta p(x).
El valor esperado de X, E(X) es
=
x
x xp x E ) ( ) (

Esta cantidad se define como el valor esperado solo si p(x) es absolu-
tamente convergente. Si no lo es, decimos que el valore esperado de X
no existe.
Ejemplo Considere el experimento aleatorio:

= Lanzar tres monedas legales sobre una superficie regular

Con el espacio muestral = {ccc, ccs, csc, scc, css, scs, ssc, sss}
Se define la variable aleatoria X = Nmero de caras.
El rango de esta variable es: Rx = {0, 1, 2, 3}
Y su funcin de cuanta correspondiente ser:
3
2
1
3
) (
|
.
|
\
|
|
|
.
|
\
|
=
x
x p

Esta funcin genera las siguientes probabilidades



5 . 1 125 . 0 3 375 . 0 2 375 . 0 1 125 . 0 0 ) ( ) ( = + + + = =
x
i i
x p x x E

En algunas ocasiones podramos estar interesados en el valor esperado
de alguna funcin de la variable aleatoria X, en lugar del correspondien-
te a la propia X. As por ejemplo podemos estar interesados en el valor
esperado de 2X, o de X
2
+1, etc.
Teorema: Sea X una variable aleatoria discreta con funcin de cuanta
p(x). El valor esperado de una funcin u de la variable aleatoria X es
=
x
x p x u x u E ) ( ) ( )] ( [

De nuevo observamos que esta cantidad se definen como valor espera-
do solo si p(x) es absolutamente convergente. La misma observacin
debe hacerse para todos los valores esperados de las variables aleato-
rias y no volveremos a repetir en lo sucesivo.

Ejemplo 1:
Considere que Ud. decide comprar un boleto por un valor de 1 nuevo sol
para participar en el siguiente juego, Se lanza un dado legal sobre una su-
perficie regular, si sale un 6, entonces gana 20 nuevos soles, caso contrario
pierde el valor de la apuesta. Cul ser su ganancia esperada?

0
0.1
0.2
0.3
0.4
0 1 2 3
P
r
o
b
a
b
i
l
i
d
a
d

Nmero de caras
Distribucin de probabiliadades del nmero de
caras al lanzar tres moenedas
E(x)=1.5


Solucin
Considerando la variable aleatoria X = nmero de puntos de la cara su-
perior de un dado legal, lanzado sobre una superficie regular, entonces
su funcin de cuanta ser:
1/6 para todo X = {1, 2, 3, 4, 5, 6}
p(x) =
0 en otro caso

La funcin ganancia es:
20 si x = 6
g(x) =
-1 en otro caso ( x = {1 x 5})
El valor esperado de la funcin ganancia es:
=
s s + = = =
6
1
) 5 1 ( ) 1 ( ) 6 ( 20 ) ( ) ( )) ( (
x
x p x p x p x g x g E

soles nuevos x g E 5 . 2
6
15
6
5
1
6
1
20 )) ( ( = = =

Propiedades del valor esperado.
a)
c c E = ] [
donde c es una constante
b)
)] ( [ )] ( [ x u E c x u c E =

c)
)] ( [ . )] ( . [ x u E c x u c E =

d) De (b) y (c) se deduce que:
)] ( [ . )] ( . [ x u E b a x u b a E =

e)
)] ( [ )] ( [ )] ( ) ( [ x v E x u E x v x u E =



Laboratorio N 3
1. Suponga que el valor esperado del salario de una clase de trabajadores,
del sector de construccin civil, durante el mes de abril del 2013, fue de
800 nuevos soles, El gobierno central decreta un incremento de 75 nue-
vos soles a partir del mes de mayo, Cul ser el nuevo valor esperado
del salario dicho sector de trabajadores para el mes de mayo?
2. Suponga que en una gran empresa, el valor esperado del salario de los
varones es de 2400 n. s., y de las mujeres es de 1800 n. s., durante el
mes de julio del 2011, el gobierno central decreta un incremento de 75.
Sabiendo que el 60% de los trabajadores son varones, Cul es el valor
esperado del salario de todos los trabajadores de dicha empresa?
3. En el mes de enero, el promedio de salarios de los empleados de una
empresa era 2400 n.s.; en el mes de febrero, la empresa consider un
incremento del 25% en el nmero de empleados y con un salario igual al
80% del promedio de los salarios de los antiguos empleados. En el mes
de marzo, la empresa hizo efectivo un aumento del 5% en el salario de
cada uno de los empleados, ms una asignacin de 200 n.s. por esco-
laridad. Hallar el sueldo promedio de los salarios de los empleados en el
mes de marzo.
4. Se venden 30000 billetes de lotera, a un nuevo sol cada uno, para un
sorteo de un coche de 4000 nuevos, Cul es la ganancia esperada de
una persona que compre uno de estos billetes?
5. La probabilidad de que un suceso ocurra es p y la de que no ocurra
q=1-p. En una sola prueba, Cules son la media y la varianza de X,
siendo este el nmero de aciertos?
6. Si se realizan n pruebas independientes del experimento descrito en el
ejercicio 4, y X es el nmero total de aciertos, Cules son la media y
varianza de X?



5. Variables Aleatorias Continuas
Una variable aleatoria continua puede tomar cualquier valor de cierto inter-
valo o coleccin de intervalos sobre el eje X, el plano X
1
,X
2
, espacio
X
1
,X
2
,X
3
, etc., sin la restriccin de que aquellos sean nmero aislados.
Variable aleatoria continua unidimensional: Se dice que X es una variable
aleatoria continua unidimensional, si existe una funcin f tal que satisface
dos condiciones:
i) f(x) 0 para todo < < x
ii) Para cualquier suceso A se cumple que P(A) = P(x est en A) =
}
A
dx x f ) (

Donde ) (x f se denomina funcin de densidad de X, y diremos a veces
que X se distribuye segn ) (x f o que ) (x f es la distribucin de X.
Los sucesos que consideraremos en este curso sern un intervalo o una
coleccin de un nmero finito de intervalos no superpuestos.
As por ejemplo, sea:
{ } 2 3 :
1
s s = x x A
,
{ } 4 2 :
2
s s = x x A

El suceso A
1
o A
2
es : { } 4 3 :
2 1
s s = x x A A
El suceso A
1
no ocurre es:
2 1
1 B B A =

Donde:
{ } 3 :
1
s s = x x B

{ } < < = x x B 2 :
2

El suceso A
1
y A
2
es:
{ } 2 2 :
2 1
s s = x x A A

B
2

B
1
A
2
A
1

-5 -4 -3 -2 -1 0 1 2 3 4
5

En lo que sigue del curso supondremos que las variables aleatorias conti-
nuas tienen funcin de densidad tambin continua, salvo, a lo sumo, en un
nmero finito de puntos.

Definamos A por
{ } b x a x A < < = :

. Para una variable aleatoria con-
tinua X, la funcin de densidad f(x).


} }
= = = < <
b
a
A
dx x f dx x f A P b X a P ) ( ) ( ) ( ) (

Como
}
b
a
dx x f ) (
toma el mismo valor, ya sea el intervalo abierto, cerra-
do, o abierto a la derecha o a la izquierda, tenemos

) ( ) ( ) ( ) ( b X a P b X a P b X a P b X a P s s = s < = < s = < <

As, la integral en un punto es 0; por lo tanto
0 ) ( = = a X P
para cual-
quier nmero
a
.
Si A no es un intervalo simple sino la unin de un nmero finito de interva-
los no superpuestos, es decir que
k
A A A A = ...
2 1
donde
u =
j i
A A
para todo
j i =
, y donde { }
i i i
b x a x A s s = : , resulta
que.
}
= =
A
k
dx x f A A A P A P ) ( ) ... ( ) (
2 1

} } }
+ + + =
k
A A A
dx x f dx x f dx x f ) ( .... ) ( ) (
2 1

} } }
+ + + =
k
k
b
a
b
a
b
a
dx x f dx x f dx x f ) ( ... ) ( ) (
2
2
1
1

Da la probabilidad de que el valor de la variable aleatoria est comprendi-
do entre
1 1
b y a
,
2 2
b y a
. O entre
k k
b y a
. En esencia,
esto establece que la probabilidad de que el valor de una variable aleatoria
pertenezca a un conjunto A es el rea comprendida entre f(x) y el eje X


sobre el conjunto. La funcin de densidad f(x) puede obtenerse mediante
un proceso emprico ajustando una curva sobre un histograma de frecuen-
cias o a trasvs de un razonamiento lgico.
Si el suceso A es todo el eje X, P(A) debe ser igual a 1, y se tiene que
1 ) ( =
}

x f

Por lo tanto, cualquier funcin f puede servir como funcin de densidad de
una variable aleatoria X si satisface las condiciones:
i) 1 ) ( =
}

x f
ii) 0 ) ( > x f

< < x
Naturalmente, en un problema particular de aplicacin, se elegir f de tal
forma que, para todo a y b (a < b)
}
= < <
b
a
dx x f b X a P ) ( ) (

Represente la probabilidad de que el valor de la variable aleatoria X se ha-
lle comprendido entre a y b.
Cualquier funcin positiva en un dominio elegido arbitrariamente puede
considerarse como una funcin de densidad de una variable aleatoria,
siempre que la funcin est multiplicada por una constante que haga que
su integral sea igual a uno. As por ejemplo, la siguiente funcin es una
funcin de densidad:

0 ) ( = x f

2 s x

18
2 3 X +
=

4 2 < < x

= 0 x 4



Verificacin de las propiedades:
i) El valor de la funcin es positivo o cero
ii) La integral en todo el recorrido es igual a 1.

} } } }

+
+
+ =
4
4
2
2
0
18
2 3
0 ) ( dx dx
x
dx x f

0 1 0 + + =

= 1

Adems la probabilidad de que el valor de la variable caiga por ejemplo en
el intervalo 2 < X < 3 es:

9
4
18
2 3
) 3 2 (
3
2
=
+
= < <
}
dx
x
X P



6. Valores esperados de variables aleatorias continuas
1) Valores esperados: El valor esperado de una variable aleatoria o de
cualquier funcin de una variable aleatoria es un nmero real -que pue-
de o no ser un posible valor de la variable aleatoria- al cual tienden los
valores de dicha variable en el largo plazo, y representa el centro de
masa la distribucin de dicha variable. Se obtiene hallando el valor me-
dio de la funcin para todos los valores posibles de la variable.
La definicin matemtica del valor esperado es:
Definicin: Sea X una variable aleatoria continua con densidad f(x). el valor
esperado de X, E(X) es
}

= dx x xf x E ) ( ) (

Esta cantidad se define como el valor esperado solo si es absolutamen-
te convergente. Si no lo son, decimos que el valor esperado de X no
existe.
Ejemplo
Consideremos la variable aleatoria X cuya funcin de densidad est
dada por:
( ) x x f = 5
4
1
) (
Para todo 2 < X < 4
Entonces su valor esperado ser:
( ) ( )
} } }
= = =

4
2
2
4
2
5
4
1
5
4
1
. ) ( ) ( dx x x dx x x dx x xf x E

dx x xdx x E
} }
=
4
2
2
4
2
4
1
5
4
1
) (

4
2
3
4
2
2
3 4
1
2
5
4
1
|
|
.
|
\
|
|
|
.
|
\
|
=
x x



|
|
.
|
\
|

|
|
.
|
\
|
=
3
2
3
4
4
1
2
2
2
4
5
4
1
3 3 2 2

|
.
|
\
|
|
.
|
\
|
=
3
56
4
1
2
12
5
4
1

8333 . 2
6
17
= =



Laboratorio N 4
1. La densidad de probabilidad de la variable aleatoria continua X esta dada por:

0
5
1

a) Dibuje su grfica y verifique que el rea total bajo la curva (arriba
del eje x) es igual a 1.
b) Encuentre P(3 < x < 5)
2. La cantidad real de caf(en gramos) en un frasco de 230 gramos que llena
cierta maquina es una variable aleatoria cuya densidad de probabilidad es-
ta dad por

0
5
1
0

Encuentre las probabilidades de que un frasco de 230 gramos que llene
esta mquina tendr
a) Cuando mucho 228.65 gramos de caf
b) Cualquier cantidad entre 229.34 y 231.66 gramos de caf
c) Al menos 229.85 gramos de caf
3. El nmero de minutos que en vuelo de Phoenix a Tucson se adelanta o se atrasa
es una variable aleatoria cuya densidad de probabilidad esta dad por:

0
) 36 (
288
1
2
x

Donde los valores negativos son indicativos de que un vuelo llega adelan-
tado y los valores positivos son indicativos de que llega con retraso. En-
cuentre las probabilidades de uno de estos vuelos llegara:
= ) (x f
Para 2 < x < 7

En cualquier otra parte
= ) (z f
Para x 227.5

Para 227.5 < x< 232.5

Para x 232.5
= ) (x f
Para -6 < x < 6

En cualquier otra parte


a) Al menos 2 minutos adelantado, b) Al menos 1 retrasado, c) Cualquier tiempo
entre 1 y 3 minutos adelantado, e) Exactamente 5 minutos de retrasa
4. La vida en el anaquel (en horas) de un alimento empacado perecedero es una
variable aleatoria cuya funcin de densidad de probabilidad esta dad por:

( )
0
100
20000
3
+ x

Encuentre las probabilidades que uno de estos paquetes tendr una vida en el
anaquel de: a) La menos 200 horas b) A lo ms 100 horas c) Cualquier tiempo en-
tre 80 y 120 horas
5. En una cierta ciudad el consumo diario de agua(en millones de litros) es
una variable aleatoria cuya densidad de probabilidad est dada por:

0
9
1
3
x
xe

Cules son las probabilidades de que en un da dado
a) El consumo de agua en esta ciudad no sea mayor de 6 millones de
litros
b) El abastecimiento de agua sea inadecuado si la capacidad diaria de
esta ciudad es 9 millones de litros?
6. La duracin de vida total (en aos) de perros de cinco aos de edad de
una cierta raza es una variable aleatoria cuya funcin de distribucin est
dada por:

2
25
1
0
x

Encuentre las probabilidades de que un perro como esos de cinco aos de
edad vivir
a) Ms all de los 10 aos, b) Menos de 8 aos y c)Entre 12 y 15 aos

= ) (x f
Para x > 0

En cualquier parte
= ) (x f
Para x > 0

En cualquier otra
parte
= ) (x f
Para x 5

Para x > 5


3 UNIDAD: DISTRIBUCIONES ESPECIALES

1. La distribucin Binomial:
Sea un experimento aleatorio de Bernoulli, es decir que tiene las siguientes
caractersticas:
i. Solo admite dos resultados posibles, el suceso E = xito y el suceso F =
Fracaso
ii. Ambos resultados o sucesos son independientes
iii. La probabilidad de obtener un xito P(E) = p se mantiene constante en
cualquier ejecucin del experimento aleatorio, donde 0 p 1

Definimos la variable de Bernoulli x como
1 : xito (E)
=
i
x
0 : Fracaso (F)

Y su funcin de cuanta ser:
p si 1 =
i
x para todo 0 p 1
= ) (
i
x P
q si 0 =
i
x para todo q = 1 p y p + q = 1

Con lo cual es fcil notar que el valor esperado de esta variable es p x E
i
= ) (
y su varianza pq x V
i
= ) (
Si el experimento

se puede repetir nveces, (n 2) y definimos la variable
aleatoria:

=
= + + + =
n
i
i n
x x x x X
1
2 1
...

Es decir que:

X = Nmero de xitos en las n-repeticiones del experimento de Bernoulli

.
Esta variable as definida es discreta y se llama variable aleatoria Binomial, la
cual sigue la ley de probabilidades Binomial, caracterizada por:

Rango de la variable X: { } n R
X
, .... , 3 , 2 , 1 , 0 =
X ~ 1 0 s s p
Funcin de cuanta:
x n x
q p
x
n
x p x X P

|
|
.
|
\
|
= = = ) ( ) ( donde p q =1

Esta distribucin se suele denotar como: X ~ B(n, p) donde n y p son co-
nocidos como los parmetros de la distribucin binomial y vienen a ser n =
nmero de veces que repite el experimento de Bernoulli y p es la probabi-
lidad de xito en cada repeticin dicho experimento.



Valor esperado: E(X) = np

La varianza: V(X) = npq

La forma de la funcin de cuanta depende del valor de p. As por ejemplo pa-
ra una Binomial con n=20 y tres valores de p=0.2, 0.5 y 0.8, tenemos que la
funcin de cuanta es

X
P(X = x) P(X = x) P(X = x)
B(10, 0.20) B(10, 0.50) B(10, 0.80)
0 0.107374182 0.000976563 1.024E-07
1 0.268435456 0.009765625 0.000004096
2 0.301989888 0.043945313 7.3728E-05
3 0.201326592 0.1171875 0.000786432
4 0.088080384 0.205078125 0.005505024
5 0.026424115 0.24609375 0.026424115
6 0.005505024 0.205078125 0.088080384
7 0.000786432 0.1171875 0.201326592
8 7.3728E-05 0.043945313 0.301989888
9 4.096E-06 0.009765625 0.268435456
10 1.024E-07 0.000976563 0.107374182
1 1 1

Cuyas grficas son:



Ejemplo. Sea el experimento aleatorio = Lanzar una moneda legal tres veces sobre una
superficie regular, y deseamos estudiar la variable aleatoria X = Nmero de caras en dicho
experimento.
El experimento de Bernoulli bsico es = Lanzar una moneda legal, en donde los
posibles resultados son = {C , S}, donde C = cara y S = Sello. En este espacio
muestral, definimos la variable aleatoria de Bernoulli
1 : Cara (xito)

=
i
x

0 : Sello (Fracaso)

Con P(C) = P(X=1) = 0.5 = p y P(S) = P(X=0) = 0.5 = 1 - p
Como el experimento aleatorio se repite tres veces, el espacio muestral debe
ser
{ } { }
3
, , , , , csc, , , s c sss ssc scs css scc ccs ccc = = O
,
Entonces la variable aleatoria X = Nmero de caras al lanzar tres monedas legales
sobre una superficie regular se puede expresar como:
=
= + + =
3
1
3 2 1
i
i
x x x x X donde, cada
i
x puede ser 0 1, por lo que el
rango de esta variable ser: { } 3 , 2 , 1 , 0 =
X
R

La funcin de cuanta es:
Rango de la variable X: { } 3 , 2 , 1 , 0 =
X
R
X ~
Funcin de cuanta:
x x
x
x p x X P

|
|
.
|
\
|
= = =
3
) 5 . 0 1 ( 5 . 0
3
) ( ) (



Esta funcin de cuanta genera las siguientes probabilidades:

Ejemplo 2:Una Agencia de Turismo, informa que un puente elevadizo en
particular en su ruta, queda levantado bloqueando el trnsito de autos 20%
del tiempo. Ud. Ha de pasar un auto por dicha ruta una vez al da en los
prximos 7 das, y desea predecir el nmero de los mismos en que el
puente estar en la posicin elevada, cuando Ud. se acerque.
a. Esta situacin se adapta al modelo Binomial de probabilidades?. Explique por qu.
b. Calcule la probabilidad de que el puente se halle levantado cada vez que Ud. se
acerque.
c. Cul es la probabilidad de que est en posicin elevada exactamente en tres de sus
siete viajes?
d. Calcule la probabilidad de que est elevado exactamente una vez.
e. Calcule la probabilidad para todos los valores de la variable y grafquelo.
f. Determine el valor esperado y desviacin estndar del nmero de das en que en-
cuentra el puente elevado.
SOLUCIN
a). El experimento de Bernoulli bsico es = Transitar en auto una vez al da
en la ruta en la cual existe un puente elevadizo, en donde los posibles resultados
son = {Elevado, Posicin normal}. En este espacio muestral, definimos la
variable aleatoria de Bernoulli.
1 : Puente elevado (xito=E)

=
i
x

0 : Puente no elevado (Fracaso=F)

Con P(E) = P(X=1) = 0.2 = p y P(F) = P(X=0) = 0.8 = 1 p = q
Como el experimento aleatorio se repite siete veces, el espacio mues-
tral debe ser
{ }
7
, F E = O
,
Entonces la variable aleatoria X = Nmero de das a la semana que encuentra el
auto encuentra el puente elevado se puede expresar como:


=
= + + =
7
1
7 1
. . .
i
i
x x x X donde cada
i
x puede ser 0 1, por lo que
el rango de esta variable ser: { } 7 , . . . , 1 , 0 =
X
R

Esta variable seguir una distribucin Binomial B(7, 0.2), cuya funcin de
cuanta es:
Rango de la variable X: { } 7 , . . . , 1 , 0 =
X
R
X ~
Funcin de cuanta:
x x
x
x p x X P

|
|
.
|
\
|
= = =
7
8 . 0 2 . 0
7
) ( ) (

b) 000013 . 0 8 . 0 2 . 0
7
7
) 7 ( ) 7 (
7 7 7
=
|
|
.
|
\
|
= = =

p X P
c) 114688 . 0 8 . 0 2 . 0
3
7
) 3 ( ) 3 (
3 7 3
=
|
|
.
|
\
|
= = =

p X P

e) Esta funcin de cuanta genera las siguientes probabilidades:
P(X = x) P(X x)
X B(7, 0.20) F(x)
0 0.209715 0.209715
1 0.367002 0.576717
2 0.275251 0.851968
3 0.114688 0.966656
4 0.028672 0.995328
5 0.004301 0.999629
6 0.000358 0.999987
7 0.000013 1
1

f) E(x) = n.p = 7 x 0.2 = 1.4 veces
0583 . 1 12 . 1 8 . 0 2 . 0 7 ) ( = = = = npq x DE
La Distribucin Binomial tambin aparece cuando de un lote o poblacin fi-
nita de N elementos, de los cuales A de estos elementos poseen una cua-
0.000000
0.100000
0.200000
0.300000
0.400000
0 1 2 3 4 5 6 7
B(7, 0.20)


lidad especfica en estudio y el resto (NA) no lo poseen, se seleccionan
n elementos usando un muestreo con reemplazo, tal que n < A. En este
contexto se define la variable aleatoria X = Nmero de elementos en la mues-
tra que poseen la cualidad especfica en estudio. Esta variable sigue una Dis-
tribucin Binomial con parmetros n y p, donde n es el tamao de
muestra y p es la probabilidad de obtener un elemento que tenga la cuali-
dad en estudio en cualquier extraccin de los elementos de la muestra,
usando un muestreo con reemplazo (p = A/N).

M.C.R.

Muestra (n)

Poblacin (N)

Nota: Si el muestreo fuera sin reemplazo pero se tiene la fraccin de
muestreo 0 =
N
n
f (en la prctica se considera que la fraccin de
muestreo tiende a cero cuando 05 . 0 s =
N
n
f ) entonces se puede con-
siderar que variable aleatoria X = Nmero de elementos en la muestra que po-
seen la cualidad especfica en estudio, se distribuye aproximadamente como
una Binomial con parmetros n y p, donde se asume que p permanece
aproximadamente constante debido a que la fraccin de muestreo es me-
nor al 5% (f < 0.05).

Ejemplo 3: Un fabricante de marcos de ventana sabe por larga experien-
cia que el 10% de la produccin tendr algn tipo de defecto que requerir
un ligero reajuste.
a) Cul es el nmero esperado de marcos defectuosos en la muestra?
b). Cul es la probabilidad de que en una muestra de 20 marcos de ven-
tana, de un lote de 500:
i. Ninguno necesite arreglo?
ii. Por lo menos 1 requerir arreglo?
iii. Ms de 2 requerir arreglo?
iv. Elabore una grfica de la funcin de cuanta.

SOLUCIN
Poblacin N = 500
Muestra sin reemplazo n = 20
Fraccin de muestreo f = n/N = 20/500 = 0.04 < 0.05
Probabilidad de obtener un marco defectuoso p = 0.10 (Asumimos constante de-
bido a que la fraccin de muestreo f < 0.05).
Variable aleatoria: X = Nmero de marcos defectuosos en la muestra
Muestreo
con
Reempla-
zo
X =Nmero de elementos en la muestra que
poseen la cualidad especfica en estudio
~ B(n, p)
Donde p = A/N
A = N de elementos en la pobla-
cin que tienen la cualidad en estu-
dio


La distribucin de la variable X es una B(20, 0.10),

Rango R
x
= {0, 1, 2, 3, 4, 5, 6, ., 20}
X ~
( ) ( )
x x
x
x p X P

|
|
.
|
\
|
= =
20
9 . 0 . 1 . 0
20
) ( ) (

a) Nmero esperado de defectuosos en la muestra: E(x) = n.p = 20 x 0.1 = 2

b) i. ( ) ( ) 12157665 . 0 9 . 0 9 . 0 . 1 . 0
0
20
) 0 ( ) 0 (
20 0 20 0
= =
|
|
.
|
\
|
= = =

p X P

ii. 87842335 . 0 12157665 . 0 1 ) 0 ( 1 ) 1 ( = = = = > X P X P

iii.
32307317 . 0 67692681 . 0 1 ) 2 ( 1 ) 3 ( = = s = > X P X P

| | ) 2 ( ) 1 ( ) 0 ( 1 ) 3 ( = = = + = = > X P X P X P X P

| | 285179807 . 0 270170344 . 0 121576655 . 0 1 ) 3 ( + + = > X P

| | 323073195 . 0 676926805 . 0 1 ) 3 ( = = > X P

Distribucin B(20, 0.1)
B(20, 0.10)
X P(X = x) P(X x)
0 0.121576655 0.121576655
1 0.270170344 0.391746998
2 0.285179807 0.676926805
3 0.190119871 0.867046677
4 0.089778828 0.956825505
5 0.031921361 0.988746866
6 0.008867045 0.997613911
7 0.001970454 0.999584365
8 0.000355776 0.999940141
9 5.27076E-05 0.999992849
10 6.44204E-06 0.999999291
11 6.50711E-07 0.999999942
12 5.4226E-08 0.999999996
13 3.70776E-09 1
14 2.05987E-10 1
15 9.15496E-12 1
16 3.1788E-13 1
17 8.3106E-15 1
18 1.539E-16 1
19 1.8E-18 1
20 1E-20 1
Total 1

X 2
X 3
P(X 2)
P(X 3) = 1-P(X 2)
= 10.676926805
= 0.323073195



2. La distribucin Hipergeomtrica:
Sea N una poblacin finita formada por un nmero pequeo de individuos,
objetos o medidas, de los cuales una parte A de estos elementos tienen
una cualidad que estamos interesados en estudiar. Considere que de esta
poblacin se selecciona una muestra aleatoria sin reemplazamiento tama-
o n.

M.S.R.

Muestra (n)

Poblacin (N)

Variable aleatoria: X = Nmero de elementos en la muestra
La distribucin de la variable X es una B(20, 0.10),

Rango: R
x
= {Mx{0, n-(N-A)}, ., Mn{n, A} }
X ~
Funcin de cuanta
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = =
n
N
x n
A N
x
A
x p x X P ) ( ) (

Valor Esperado:
N
nA
X E = ) (

Varianza: |
.
|
\
|

|
.
|
\
|
|
.
|
\
|
=
N
A
N
nA
N
n N
X V 1
1
) (

Desviacin estndar: ( ) ( ) X V X DE =

Muestreo Sin
Reemplazo
X =Nmero de elementos en la muestra que
poseen la cualidad especfica en estudio
~ Hipergeomtrica:
H(N,A,n)
A = N de elementos en la poblacin
que tienen la cualidad en estudio


Ejemplo1 Un profesor tiene 15 preguntas de opcin mltiple referente a
distribuciones probabilsticas. Cuatro de estas interrogantes se relacionan
con la distribucin hipergeomtrica. Cul es la probabilidad de que al me-
nos una de tales preguntas sobre la distribucin hipergeomtrica, aparezca
en el examen de 5 preguntas del prximo lunes?. Cul es el nmero espe-
rado y desviacin estndar del nmero de preguntas sobre la distribucin
hipergeomtrica
SOLUCIN
N = 15
A = 4
n = 5
X = Nmero de preguntas relacionadas con la distribucin hipergeomtrica

La distribucin de X es:

R
X
: {0, 1, 2, 3, 4=A}
X ~

|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = =
5
15
5
11 4
) ( ) (
x x
x p x X P

Se pregunta por: P(X 1) = ?

P(X 1) = 1 - P(X = 0)
8462 . 0 1538 . 0 1
5
15
0 5
4 15
0
4
1 ) 1 ( = =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = > X P

33 . 1
3
4
15
4 5
) ( = =
= =
N
nA
X E

( ) ( ) 8357 . 0 6984127 . 0
63
44
15
4
1
15
4 5
1 15
5 15
= = =
|
.
|
\
|

|
.
|
\
|
|
.
|
\
|
= = X V X DE

Ejemplo 2. Considere que una poblacin consiste de 15 artculos, 10 de
los cuales son aceptables. Se selecciona una muestra de 4.
a) Cul es la probabilidad de que exactamente 3 sean aceptables?
b) Cul es la probabilidad de que los 4 sean aceptables?
c) Cul es la probabilidad de al menos uno sea aceptable?


SOLUCIN

N = 15
A = 10
n = 4

X = Nmero de artculos aceptables en la muestra


R
X
: {0, 1, 2, 3, 4 = n}
X ~

|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = =
4
15
4
10 15 10
) ( ) (
x x
x p x X P

a) Se pregunta por: P(X = 3) = ?

4396 . 0
4
15
3 4
10 15
3
10
) 3 ( =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = X P

b) Se pregunta por: P(X = 4) = ?

1538 . 0
4
15
4 4
10 15
4
10
) 4 ( =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = X P

c) Se pregunta por: P(X 1) = ?

P(X 1) = 1- P(X = 0)

9963 . 0 0037 . 0 1
4
15
0 4
10 15
0
10
1 ) 0 ( 1 ) 1 ( = =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = = > X P X P

Ejemplo 3. Una florera tiene 15 camiones de reparto que se utilizan prin-
cipalmente para entregar flores y arreglos florales en su mbito de influen-
cia. Suponga que 6 de los 15 vehculos tienen problemas con los frenos.
Se seleccionaron cinco camiones al azar para probarlos. Cul es la pro-
babilidad de que dos de los vehculos examinados tengan frenos defectuo-
sos?.


SOLUCIN
N = 15
A = 6
n = 5
X = Nmero de vehculos con defectos en los frenos.


R
X
: {0, 1, 2, 3, 4, 5 = n}
X ~

|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = =
5
15
5
6 15 6
) ( ) (
x x
x p x X P
Se pregunta por P(X = 2 ) = ?

41958 . 0
5
15
3
9
2
6
5
15
2 5
6 15
2
6
) 2 ( ) 2 ( =
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= = = p X P

3. La distribucin de Poisson:
Sea una variable aleatoria X = Nmero de ocurrencias por unidad de medicin
(minuto, hora, centmetro, metro cuadrado, etc,) de la cual se conoce la tasa media de
ocurrencias por unidad denotada por , la cual se mantiene constante du-
rante el perodo de estudio. Esta variable sigue una distribucin de Pois-
son, la cual debe su nombre a su creador, el Matemtico Francs Simenon
Poisson (17811840). La distribucin de Poisson tiene como parmetro a
la tasa media de ocurrencias , y mide la probabilidad de un evento alea-
torio sobre algn intervalo de tiempo o espacio.
La distribucin de Poisson tiene los siguientes supuestos para su aplicacin:
La probabilidad de ocurrencia del evento es constante para dos intervalos
cualesquiera de tiempo o espacio.
La ocurrencia del evento en un intervalo es independiente de la ocurrencia de
otro intervalo cualquiera.
Dados estos supuestos, la distribucin puede expresarse como:

Rango: R
x
= {0, 1, 2, 3, 4, . }
Funcin de cuanta
!
) ( ) (
x
e
x p x X P
x

= = =
Nmero de veces que ocurre el evento
Nmero promedio de ocurrencias por unidad de tiempo o de espacio
(o tasa promedio de ocurrencias por unidad de tiempo o de espacio)
Base del logaritmo natural

: X
:
71828 . 2 = e
X ~


Valor esperado: E[x] =
Varianza : V[x] =
La forma de esta distribucin va cambiando con el valor de su parmetro
X P(X: =0.8) P(X: =2.5) P(X: =5) P(X: =10)
0 0.44933 0.082084999 0.006737947 4.53999E-05
1 0.35946 0.205212497 0.033689735 0.000453999
2 0.14379 0.256515621 0.084224337 0.002269996
3 0.03834 0.213763017 0.140373896 0.007566655
4 0.00767 0.133601886 0.17546737 0.018916637
5 0.00123 0.066800943 0.17546737 0.037833275
6 0.00016 0.027833726 0.146222808 0.063055458
7 0.00002 0.009940617 0.104444863 0.090079226
8 0.003106443 0.065278039 0.112599032
9 0.000862901 0.036265577 0.125110036
10 0.000215725 0.018132789 0.125110036
11 4.90285E-05 0.008242177 0.113736396
12 0.00343424 0.09478033
13 0.001320862 0.072907946
14 0.000471736 0.052077104
15 0.000157245 0.03471807
16 4.91392E-05 0.021698794
17 0.012763996
18 0.007091109
19 0.003732163
20 0.001866081
21 0.00088861
22 0.000403914
23 0.000175615
24 7.31728E-05

La distribucin de probabilidades Poisson a menudo proporciona un buen
modelo de la distribucin de probabilidad para el nmero X de eventos
poco comunes que se presentan en el espacio, tiempo, volumen o cual-
quier otra dimensin, donde es el valor promedio de X. As tenemos
que, esta distribucin proporciona un buen modelo de la distribucin de
probabilidad del nmero X de accidentes automovilsticos, industriales u


otra clase de accidentes que ocurren en cierta unidad de tiempo. El nme-
ro de llamadas telefnicas que atiende un conmutador en un intervalo, el
nmero de partculas radioactivas que se desintegran en cierto perodo, el
nmero de errores que una mecangrafa comete en una cartilla, el nmero
de vehculos que doblan en un sentido especfico en una bifurcacin de la
va rpida en un intervalo de 10 minutos, son otros ejemplos de variables
aleatorias con una distribucin aproximada a la de Poisson.

Ejemplo 1: Supongamos que estamos interesados en la probabilidad de
que exactamente 5 clientes lleguen durante la siguiente hora (o en cual-
quier hora dada) laboral. La observacin simple de las ltimas 80 horas ha
demostrado que 800 clientes han entrado al negocio. Por lo tanto = 10
clientes por hora.

SOLUCIN

X = Nmero de clientes por hora que ingresan al negocio.
E[X] = = 10 clientes por hora
La distribucin puede expresarse como:

Rango: R
x
= {0, 1, 2, 3, 4, 5, 6, . }
X ~
Funcin de cuanta
!
10
) ( ) (
10
x
e
x p x X P
x
= = =

0378 . 0
! 5
10
) 5 ( ) 5 (
5 10
= = = =

e
p X P

Otros clculos
067085 . 0
! 5
10
) 5 (
5 10 5
0
= = s

=
e
X P
x

( ) 93915 . 0 067085 . 0 1 ) 5 ( 1 5 = = s = > X P X P

( ) ( ) 78640 . 0 13014 . 0 91654 . 0 6 ) 14 ( 14 7 = = s s = s s X P X P X P

Ejemplo 2. Una compaa de pavimentacin local obtuvo un contrato con
el municipio para hacer mantenimiento a las vas del centro de la ciudad.
Las vas recientemente pavimentadas por esta compaa demostraron un
promedio de dos defectos por Km., despus de haber sido utilizadas du-
rante un ao. Si el municipio sigue con esta compaa de pavimentacin,
cul es la probabilidad de que se presenten tres defectos en cualquier ki-
lmetro de va despus de haber tenido trfico un ao?.



SOLUCIN

X = Nmero de defectos por kilmetro de va.
E[X] = = 2 defectos por kilmetro

Rango: R
x
= {0, 1, 2, 3, 4, 5, 6, . }
X ~
Funcin de cuanta
!
2
) ( ) (
2
x
e
x p x X P
x
= = =

1804 . 0
! 3
2
) 3 ( ) 3 (
3 2
= = = =

e
p X P
Nota:
Si lo que se desea es conocer la probabilidad de que ocurran X eventos
en un intervalo de tiempo t, mltiplo del intervalo unitario de referencia de
, entonces la funcin de cuanta se modifica en su parmetro por t, que-
dando de la siguiente manera.

X = Nmero de eventos por un intervalo de tiempo t.
E[X] = t

Rango: R
x
= {0, 1, 2, 3, 4, 5, 6, . }
X ~
Funcin de cuanta
!
) (
) ( ) (
x
t e
x p x X P
x t

= = =

Ejemplo 3. Suponga que en el ejemplo anterior sobre los defectos de
pavimentacin, deseamos calcular la probabilidad de que se presenten
cinco defectos en un intervalo de tres kilmetros de va despus de ha-
ber tenido trfico un ao.
SOLUCIN

X = Nmero de defectos por cada tres kilmetros de va.
E[X] = t = 2x3 =6 defectos por cada tres kilmetros

Rango: R
x
= {0, 1, 2, 3, 4, 5, 6, . }
X ~
Funcin de cuanta
!
6
!
) 3 2 (
) ( ) (
6 3 2
x
e
x
e
x p x X P
x x
=

= = =

16062 . 0
! 5
6
) 5 ( ) 5 (
5 5
= = = =

e
p X P



4. Propiedades de la distribucin de Poisson:
a. Si X es una variable con distribucin de Poisson con parmetro
y Y es otra variable tambin con distribucin de Poisson pero
con parmetro , entonces la suma de estas variables generan
una nueva variable Z = X + Y con la misma distribucin de Pois-
son, pero con parmetro dado por ( + ).

b. Sea Z una variable aleatoria con distribucin de probabilidades
Poisson con parmetro . Sea p una probabilidad de que la va-
riable Z adquiera un atributo particular y (1-p) es la probabilidad
de que no lo adquiera, entonces se generan dos variables X y Y
con la misma distribucin de Poisson cada una de ellas, pero
con parmetros (p) y (1-p) respectivamente.
Estas dos caractersticas son conocidas como la propiedad de re-
produccin de la distribucin de Poisson.

Y ~ P( (1-
p) )
X ~ P(
p)
X :
P()
Y:
P()
Z = X + Y :
P(+)
Z ~
P()


Ejemplo: El siguiente grfico se muestra un flujo de trfico en una zona
urbana, en donde el nmero de vehculos que pasan por un punto dado
en un intervalo de tiempo unitario sigue una distribucin de Poisson con
sus correspondientes parmetros en cada una de los sectores de las
vas. Estos parmetros son deducidos usando la propiedad de reproduc-
tividad de la Distribucin de Poisson.

5. Aproximacin de la distribucin de Poisson a la Bino-
mial:
Suponga que X es una variable aleatoria Binomial con parmetros n y p,
es decir que ( ) p n B X , . Cuando n y 0 p tal que el producto
np se mantiene constante, el cual lo denotamos por , es decir que
np = ; entonces la distribucin Binomial ( ) p n B , puede ser suficiente-
mente bien aproximada por la distribucin de Poisson con parmetro
np = . en la prctica se considera que n cuando 30 > n y que
0 p cuando 05 . 0 < p . A continuacin se muestra dos ejemplos de la
aproximacin Poisson a la Binomial. La nica ventaja de usar la distribu-
cin de Poisson en lugar de la Binomial es por facilidad de cmputo.



= 50*0.02= 1
X B(50, 0.02) P(=1)
0 0.364170 0.367879
1 0.371602 0.367879
2 0.185801 0.183940
3 0.060670 0.061313
4 0.014548 0.015328
5 0.002732 0.003066
6 0.000418 0.000511
7 0.000054 0.000073
8 0.000006 0.000009
9 0.000001 0.000001
10 0.000000 0.000000

= 200*0.03= 6
X B(200, 0.03) P(=6)
0 0.002261 0.002479
1 0.013987 0.014873
2 0.043043 0.044618
3 0.087860 0.089235
4 0.133828 0.133853
5 0.162250 0.160623
6 0.163086 0.160623
7 0.139788 0.137677
8 0.104301 0.103258
9 0.068817 0.068838
10 0.040652 0.041303
11 0.021716 0.022529
12 0.010578 0.011264
13 0.004731 0.005199
14 0.001955 0.002228
15 0.000750 0.000891
16 0.000268 0.000334
17 0.000090 0.000118
18 0.000028 0.000039


19 0.000008 0.000012
20 0.000002 0.000004

Por lo tanto es fcil deducir que para las condiciones especificadas ante-
riormente de una distribucin Binomial, podra utilizarse la Distribucin de
Poisson como una distribucin aproximada, con la cual se obtendrn pro-
babilidades suficientemente prximas a su valor verdadero Binomial.
Ejemplo: Un vendedor de productos electrnicos espera que el 2% de las
unidades vendidas fallen durante el perodo de garanta. Se hace un se-
guimiento de 500 unidades independientes para determinar su desempeo
durante el tiempo de garanta.
a) Cul es la probabilidad de que ninguna de las unidades fallen du-
rante el perodo de garanta?
b) Cul es el nmero esperado de unidades que fallan durante el pe-
rodo de garanta?
c) Cul es la probabilidad de que fallen ms de dos unidades durante
el perodo de garanta?
SOLUCIN
X = Nmero de unidades que fallan en periodo de garanta.
n = 500 : Nmero de unidades en el perodo de garanta
p = 0.02 : Probabilidad de que una unidad falle en el perodo de garanta


La distribucin verdadera de X ~ B(500, 0.02), Como n y 0 p ,
Entonces se puede usar la distribucin de Poisson como una distribucin
aproximada, as: X ~ Poisson con 10 02 . 0 500 = = = np

Por lo tanto:
a) 000045 . 0
! 0
) 10 (
) 0 (
0 10
=
~ =

e
X P
El valor de esta probabilidad con su distribucin verdadera es
000041 . 0 ) 98 . 0 ( ) 02 . 0 (
0
500
) 0 (
500 0
=
|
|
.
|
\
|
= = X P
La ventaja de usar la distribucin aproximada es solamente por facilidad
de cmputo.
b) ( ) 10 02 . 0 500 = = = = np X E
c) ( )
!
) 10 (
1 2 1 ) 2 (
10 2
0
x
e
X P X P
x
x
~ s = >

=

( ) 002270 . 0 000454 . 0 000045 . 0 1 ) 2 ( + + = > X P
( ) 002769 . 0 1 ) 2 ( = > X P

997231 . 0 ) 2 ( = > X P



Laboratorio 5
1. En una encuesta sobre corretaje reporta que el 30% de los inversio-
nistas individuales ha utilizado a un corredor de descuento; esto es,
uno que no cobra las comisiones completas. En una muestra selec-
cionada al azar de nueve inversionistas, Cul es la probabilidad de
que:
a. Exactamente dos de los individuos de la muestra hayan emplea-
do a un corredor de descuento?
b. Exactamente cuatro de ellos hayan utilizado a un corredor de es-
te tipo?.
c. Entre tres y cinco individuos inclusive hayan utilizado a un corre-
dor de este tipo?
d. Ms de cinco individuos hayan utilizado un corredor de este tipo?
2. Un estudiante debe obtener por lo menos el 60% de respuestas co-
rrectas en un examen con 18 preguntas diseadas cada con dos al-
ternativas de verdadero o falso. Si el estudiante lanza una moneda
para determinar la respuesta a cada pregunta, Cul es la probabili-
dad de que el estudiante pase?
3. Como subgerente de una empresa de materias primas Ud. debe
contratar a 10 personas entre 30 candidatos, 22 de los cuales tienen
ttulo universitario. Cul es la probabilidad de que 5 de los que Ud.
contrate tengan ttulo universitario?
4. De los 15 altos ejecutivos de un negocio de importaciones y exporta-
ciones, se seleccionan 12 para ser enviados a Japn a estudiar un
nuevo proceso de produccin. Ocho de los ejecutivos ya tienen algo
de entrenamiento en el proceso. Cul es la probabilidad de que
cinco de los enviados tengan algo de conocimiento sobre el proceso
antes de partir para el lejano oriente?
5. A un conmutador de la oficina principal de una empresa llegan lla-
madas a un promedio de dos por minuto y se sabe que tienen distri-


bucin de Poisson. Si el operador est distrado por un minuto, cul
es la probabilidad que el nmero de llamadas no respondidas sea:
a. Cero?, b) por lo menos una? Y c)Entre tres y cinco inclusive?
6. Un proceso de fabricacin utilizado para hacer artefactos plsticos
Incas presentan una tasa de defectuosos de 5 por cada 100 unida-
des. Las unidades se envan a los distribuidores en lotes de 200. Si
la probabilidad de que ms de tres salgan defectuosos supera el 0.3,
Ud. planea vender en su lugar, camisetas Gratefull Dead. Cul ar-
tculo agregar ud. al inventario?
7. Usted compra partes para bicicleta de un proveedor en Lima que tie-
ne tres defectos por cada 100 partes. Ud. est en el mercado para
comprar 150 partes pero no aceptar una probabilidad de ms de
0.50 de que ms de dos partes sean defectuosas. Ud. le comprar
a dicho proveedor?
8. La cantidad promedio de automviles que pasan por un tnel es de
uno cada periodo de 2 minutos. El paso de muchos vehculos en un
perodo breve hace que sea peligroso recorrerlo. Determine la pro-
babilidad de que el nmero de automviles que pasan por all duran-
te un perodo de 2 minutos sea superior a tres.
9. Un vendedor descubre que la probabilidad de hacer una venta en
una sola entrevista con clientes es de 0.03 aproximadamente. Si se
acerca a 100 posibles clientes, cul es la probabilidad de hacer por
lo menos una venta?



6. La distribucin Exponencial:
La distribucin exponencial es el equivalente continuo de la distribucin geomtri-
ca discreta. Esta ley de distribucin describe procesos en los que:
- Nos interesa saber el tiempo hasta que ocurre determinado evento, sabiendo que, el tiem-
po que pueda ocurrir desde cualquier instante dado t, hasta que ello ocurra en un instante
tf, no depende del tiempo transcurrido anteriormente en el que no ha pasado nada.
Ejemplos de este tipo de distribuciones son:
- El tiempo que tarda una partcula radiactiva en desintegrarse. El conocimiento de la ley que
sigue este evento se utiliza en Ciencia para, por ejemplo, la datacin de fsiles o cualquier
materia orgnica mediante la tcnica del carbono 14, C
14
;
- El tiempo que puede transcurrir para la llegada de un cliente a una estacin de servicio
como por ejemplo, Tiempo entre llegadas de buses a un grifo de gasolina.
- En un proceso de Poisson donde se repite sucesivamente un experimento a intervalos de
tiempo iguales, el tiempo que transcurre entre la ocurrencia de dos sucesos consecutivos
sigue un modelo probabilstico exponencial. Por ejemplo, el tiempo que transcurre entre
dos llegadas de clientes a una ventanilla.
Concretando, si una v.a. continua T distribuida a lo largo de , es tal que su
funcin de densidad es
T
e T f

= ) (
para todo
0 >
y
0 > T

Se dice que sigue una distribucin exponencial de parmetro ,
) ( Exp T ~
.

Un clculo inmediato nos dice que si x > 0,
x
x x
t t
e e dt e x X P x F

= = = s =
}
1 ) ( ) (
0 0
]


luego la funcin de distribucin es:

Valor esperado: E(X):
1
) ( = T E
Varianza V(X):
2
1
) (
= T V

1. Ejemplo
Se ha comprobado que el tiempo de vida de cierto tipo de empresas individuales de res-
ponsabilidad limitada (EIRL) sigue una distribucin exponencial con una media o valor
esperado igual a: E(T) = 16 aos.
a. Cul es la probabilidad de que a una de estas empresas tenga un tiempo de vida
menor a 20 aos?
b. Si la empresa lleva funcionando normalmente 5 aos, cul es la probabilidad de
que funcin menos de 25 aos?
Solucin: Sea T la variable aleatoria que mide la duracin de la empresa. Tenemos que

Entonces

En segundo lugar


Luego como era de esperar, por ser propio a un mecanismo exponencial,

o sea, en la duracin que se espera que tenga el objeto, no influye en nada el tiempo que
en la actualidad lleva funcionando. Es por ello que se dice que ``la distribucin exponen-
cial no tiene memoria".

Ejem 2: Considerando que en el proceso de llegadas de pasajeros a un parade-
ro de transporte urbano, el tiempo ente dos llegadas consecutivas es una variable
con distribucin exponencial; Se sabe que el valor esperado de este tiempo entre
llegadas es de 4 minutos, encontrar la probabilidad de que:
a) No lleguen pasajeros en un intervalo de 5 minutos
b) No lleguen pasajeros en un intervalo de 8 minutos
Ejem. 3 Considerando que en el proceso de llegadas de buses a un paradero
de transporte urbano, el tiempo ente dos llegadas consecutivas es una variable
con distribucin exponencial; Se sabe que el valor esperado de este tiempo entre
llegadas es de 5 minutos.
a) Encuentre la probabilidad de que no lleguen buses en un intervalo de 8
minutos
b) Suponga que Ud. llega al paradero justo cuando acaba de salir el ltimo
bus y al preguntar al controlador de la empresa de buses, ste le informa
que el valor esperado de tiempo entre llegada de buses es de 5 minutos.
Ud. se forma una expectativa que el prximo bus tardar 5 minutos en lle-
gar al paradero y si no llega en este tiempo Ud. empieza a mortificarse.
Cul es la probabilidad que se sienta mortificado?
c) Con relacin a la parte (b), Cul es el tiempo entre llegadas de buses,
que debe indicar el controlador de la empresa, a los pasajeros que como
Ud. llegan justo cuando acaba se salir el ltimo bus, para que solo el 10%
de pasajeros se puedan sentir mortificados?



7. Distribucin Normal
1. Distribucin normal o campana de Gauss-Laplace
Esta distribucin es frecuentemente utilizada en las aplicaciones
estadsticas. Su propio nombre indica su extendida utilizacin, jus-
tificada por la frecuencia o normalidad con la que ciertos fenme-
nos tienden a parecerse en su comportamiento a esta distribucin.
En resumen, la importancia de la distribucin normal se debe prin-
cipalmente a que hay muchas variables asociadas a fenmenos
naturales que siguen el modelo de la normal
- Caracteres morfolgicos de individuos (personas, animales, plan-
tas,...) de una especie, p.ejm. tallas, pesos, dimetros, perme-
tros,... )
- Caracteres fisiolgicos, por ejemplo: efecto de una misma dosis de
un frmaco, o de una misma cantidad de abono.
- Caracteres sociolgicos, por ejemplo: consumo de cierto producto
por un mismo grupo de individuos, puntuaciones de examen.
- Caracteres psicolgicos, por ejemplo: cociente intelectual, grado de
adaptacin a un medio,...
- Errores cometidos al medir ciertas magnitudes.
- Valores estadsticos muestrales, por ejemplo : la media.
- Otras distribuciones como la binomial o la de Poisson son aproxima-
ciones normales, ...
Y en general cualquier caracterstica que se obtenga como suma de
muchos factores.
FUNCIN DE DENSIDAD
El modelo de la funcin de densidad que corresponde a la distribu-
cin normal viene dado por la frmula de Gauss:
( )
2
2
2
2
1
) (
o
t o

=
x
e x f

Donde:
media =

... 14159265 . 3 = t

estndar Desviacion = o

... 718281828 . 2 = e

Varianza =
2
o

aleatoria iable x var =

La representacin grfica de esta funcin de densidad es:


Propiedades de la funcin de densidad Normal
i. Rango de X: Conjunto de los nmeros reales
ii. La funcin de densidad tiene un mximo en :
|
.
|
\
|
t o
2
1
,
iii. Dos puntos de inflexin: en o + = X y o = X
iv. Es asntota El eje horizontal X
v. Simtrica respecto a la media
vi. Numricamente coinciden Mo Me = =
vii.
Aproximadamente:
6827 . 0 ) ( ~ s s o o X P

9545 . 0 ) 2 2 ( ~ s s o o X P

9973 . 0 ) 3 3 ( ~ s s o o X P
viii. Monotona: creciente ) , ( , decreciente ) , (
ix. Es siempre positiva 0 ) ( > x f
La distribucin normal queda definida por dos parmetros, su media
y su varianza y la representamos as N( ,
2
). Para cada valor de
y
2
tendremos una funcin de densidad distinta, por lo tanto la ex-
presin N(,
2
) representa una familia de distribuciones norma-
les.



FUNCIN DE DISTRIBUCIN
La funcin de distribucin est definida por:
( )
dt e x F x X P
t
x
2
2
2
2
1
) ( ) (
o
t o

}
= = s

Tiene las siguientes propiedades de la funcin de distribucin:
1. F(x) es continua
2. F(x) es montona no decreciente.
3. F(-) = 0 y F(+) = 1

F(x) es el rea sombreada de esta grfica

TIPIFICACIN ESTANDARIZACIN
Si la variable X es ) , ( o N entonces la variable tipificada de X es
0

=
X
Z y
sigue tambin una distribucin normal pero con 0 = y 1 = o , es decir ) 1 , 0 ( N
Por tanto su funcin de densidad es
< < =

z e z f
z
;
2
1
) (
2
2
t

y su funcin de distribucin es


dt e z f z Z P z F
t
t
2
2
2
1
) ( ) ( ) (

}
= = s =
t

siendo la representacin grfica de esta funcin

a la variable Z se la denomina variable tipificada de X, y a la curva de su funcin
de densidad curva normal tipificada o estandarizada.
Caracterstica de la distribucin normal tipificada (reducida, estndar)
- No depende de ningn parmetro
- Su media es 0, su varianza es 1 y su desviacin tpica es 1.
- La curva f(z) es simtrica respecto del eje OY
- Tiene un mximo en este eje e igual a:
t 2
1

- Tiene dos puntos de inflexin en z =1 y z = -1

Clculo de probabilidades usando la Distribucin Normal estndar :
1 Caso: Dado el evento, encontrar una probabilidad:
Sea X una variable aleatoria con distribucin normal con media 10 y varianza
4, calcule la probabilidad de los siguientes eventos: (Note que = 10 y
2
= 4 y
= 2)
a. P(X<13.5)
b. P(X< 9.5)
c. P(10.5 < X < 14.5)
d. P(8 < X < 12)
e. P(6 < X < 14)
f. P(|X-| < 2)
g. P(|X-| < 4)


h. P(|X-| < 6)
DESARROLLO
a.
|
.
|
\
|
<
= <
2
10 5 . 13
) 5 . 13 (
o
X
P X P
( ) 75 . 1 < = Z P

= 0.959941

b.
|
.
|
\
|
<
= <
2
10 5 . 9
) 5 . 9 (
o
X
P X P
( ) 25 . 0 < = Z P

= 0.401294
Si no se tiene una tabla de la normal estndar para valores negativos de
Z, se puede aprovechar la simetra de la distribucin del siguiente modo:
( ) 25 . 0 < = Z P

( ) 25 . 0 1 < = Z P

= 1 0.598706
= 0.401294
c.
|
.
|
\
|
<
<
= < <
2
10 5 . 14
2
10 5 . 10
) 5 . 14 5 . 10 (
o
X
P X P
( ) 25 . 2 25 . 0 < < = Z P

( ) ) 25 . 0 ( 25 . 2 < < = Z P Z P

= 0.987776 - 0.598706
= 0.389069

d.
|
.
|
\
|
<
<
= < <
2
10 12
2
10 8
) 12 8 (
o
X
P X P
( ) 1 1 < < = Z P

( ) ) 1 ( 1 < < = Z P Z P

= 0.841345 - 0.158655
= 0.682689

e.
|
.
|
\
|
<
<
= < <
2
10 14
2
10 6
) 14 6 (
o
X
P X P
( ) 2 2 < < = Z P

( ) ) 2 ( 2 < < = Z P Z P

= 0.977250 - 0.022750


= 0.954500

f.
|
|
.
|
\
|
<
= <
2
2
) 2 | (|
o

X
P X P
( ) 1 < = Z P

( ) ) 1 ( 1 < < = Z P Z P

= 0.841345 - 0.158655
= 0.682689

g.
|
|
.
|
\
|
<
= <
2
4
) 4 | (|
o

X
P X P
( ) 2 < = Z P

( ) ) 2 ( 2 < < = Z P Z P

= 0.977250 - 0.022750
= 0.954500
h.
|
|
.
|
\
|
<
= <
2
6
) 6 | (|
o

X
P X P

( ) 3 < = Z P

( ) ) 3 ( 3 < < = Z P Z P

= 0.998650 - 0.001350 = 0.997300

2 Caso: Dado la probabilidad, encontrar los lmites del evento:

Aproximacin de la Binomial por la Normal (Teorema de De Moivre) :
Demostr que bajo determinadas condiciones (para n grande y tanto p como q no
estn prximos a cero) la distribucin Binomial B(n, p) se puede aproximar me-
diante una distribucin normal con media np y varianza npq.
Esto es:
Si tal que n y 5 . 0 p con 5 > np entonces

Y, por tanto la variable
Moivre de Teorema N una es
npq
np X
Z
= ) 1 , 0 (


Debemos tener en cuenta que cuanto mayor sea el valor de n, y cuanto ms pr-
ximo sea p a 0.5, tanto mejor ser la aproximacin realizada. Es decir, basta
con que se verifique

gracias a esta aproximacin es fcil hallar probabilidades binomiales, que para
valores grandes de n resulten muy laboriosos de calcular.
Hay que tener en cuenta que para realizar correctamente esta transformacin de
una variable discreta (binomial) en una variable continua (normal) es necesario
hacer una correccin de continuidad agregando o restando 0.5 segn convenga
para un evento especfico, tal como se puede apreciar en los siguientes grficos.



MANEJO DE TABLAS. CASOS MS FRECUENTES.
La distribucin de la variable Z se encuentra tabulada



a. Aplicaciones de la distribucin normal

Ejemplos:

Los niveles de rendimiento de un proceso productivo diario se distribuyen normalmen-
te con = 200 y o = 20. Si de esta poblacin se selecciona un da al azar, cul es la
probabilidad de que tenga un valor entre 170 y 230?



- p(170 < x < 230) = ?
- Se transforman o estandarizan los valores de x
i
en trminos de z.

5 . 1
20
200 170
z
170
=
=

5 . 1
20
200 230
z
230
=
=
- Luego: p(170 < x <230) = p (-1.50 < z < 1.50)=?.
- De la tabla:
p(-1.50 < z < 1.50) = 0.0668 + 0.9332 = 0.8664
- La probabilidad de que en un da seleccionado al azar el nivel de rendimiento
del proceso productivo este entre 170 y 230, es de 0.8664



Laboratorio 6
1. A partir de la informacin sobre tiempos de servicio: con media 5 minutos y una
desviacin estndar de 1.5 minutos.
a. El 95 por ciento de los clientes, alrededor de la media, entre qu tiempos de
servicio se encuentran?
b. El 90 por ciento de los clientes, alrededor de la media, entre qu tiempos de
servicio sen encuentran?
c. El 99 por ciento de los clientes, alrededor de la media, entre qu tiempos de
servicio sen encuentran?
2. La resistencia a la compresin de una serie de muestras de cemento puede mode-
larse con una distribucin normal con media 6000 Kgr. por centmetro cuadrado, y
una desviacin estndar de 100 Kgr. por centmetro cuadrado.
a. Cul es la probabilidad de que la resistencia de una muestra sea menor que
6250 Kgr./cm
2
?
b. Cul es la probabilidad de que la resistencia de una muestra se encuentre
entre 5800 y 5900 Kgr./cm
2
?
c. Cul es el valor de la resistencia que excede el 95% de las muestras?
3. La resistencia a la traccin de un papel est moldeada por una distribucin normal
con media 35 Lib/pulg
2

a. Cul es la probabilidad de que la resistencia de una muestra sea menor que
40 Lib/pulg
2
?
b. Si las especificaciones requieren que la resistencia sea mayor que 30
Lib/pulg.
2
, qu proporcin de muestras ser desechada?
4. El volumen que una mquina de llenado automtico deposita en latas de una bebida gaseo-
sa tiene una distribucin normal con media 12.4 onzas de lquido y desviacin estndar de
0.1 onzas de lquido.
a. Cul es la probabilidad de que el volumen depositado sea menor que 12 onzas de
lquido?
b. Si se desechan todas la latas que tienen menos de 12.1 o ms de 12.6 onzas de l-
quido, cul es la proporcin de latas desechadas?.
c. Calcule especificaciones que sean simtricas alrededor de la media, de modo que
se incluya al 99% de todas la latas?
5. El tiempo de reaccin de un conductor a un estmulo visual tiene una distribucin
normal con media 0.4 segundos y una desviacin estndar de 0.05 segundos.
a. Cul es la probabilidad de que el conductor reaccione en ms de 0.5 se-
gundos?
b. Cul es la probabilidad que el tiempo de reaccin est entre 0.4 y 0.5 se-
gundos?
c. Cul es el tiempo de reaccin que se espera exceder el 90% de la veces?

6. Un proceso de fabricacin de chips produce 2% de chips defectuosos. Suponga que
los chips son independientes y que un lote contiene 1000 de ellos.
a. Obtenga la probabilidad de que el lote contenga entre 20 y 30 chips defec-
tuosos.
b. Obtenga la probabilidad de que el lote contenga exactamente 20 chips de-
fectuosos.

Probab I Lida Des

Загружено:

Сведения о документе

Исходное описание:

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Probab I Lida Des

Загружено:

Авторское право:

Доступные форматы

Estadstica y Probabilidad

Manuel Hurtado Snchez 1

= Lanzar tres monedas legales sobre una superficie regular

Вам также может понравиться