You are on page 1of 14

NOTAS DE ESTADSTICA II.

Luis Castillo Flores.

1.

UNA INTRODUCCIN AL CLCULO DE PROBABILIDADES.

1.1.
1.1.1.

SOBRE TEORA DE CONJUNTOS


ALGUNAS DEFINICIONES.

Un conjunto puede considerarse como una coleccin de objetos, llamados miembros o elementos del conjunto.
Denotaremos a los conjuntos con letras maysculas y a los elementos con letras minsculas. Si un elemento a pertenece
al conjunto A se denotar por a A y si no pertenece se denotar a
/ A.
A un conjunto lo podemos escribir expresando a todos sus elementos estre llaves y separados por comas o mediante
una regla general, llamados por extensin o por comprensin; por ejemplo, al cunjunto A formado por las vocales
las podemos expresar as A = {a, e, i, o, u} o mediante A = {x : x es una vocal}. Si cada elemento de un conjunto A
pertenece a otro conjunto B, diremos que A es subconjunto de B y se denota por A B.
El estudio de los conjuntos se hace sobre subcunjuntos de un conjunto en especfico, el cul llamaremos conjunto
universal y denotaremos por U . El conjunto que no posee elementos se llama el conjunto vaco o conjunto nulo y se
denota por .
1.1.2.

OPERACIONES ENTRE CONJUNTOS.

1. UNIN. El conjunto de todos los elementos que pertenecen a A o a B, o tanto como a A como a B, se llama la
unin de A y B y se denota por A B.
2. INTERSECCIN. El conjunto de todos los elementos que pertenecen simultneamente a A y a B, se llama la
interseccin de A y B y se denota por A B.
3. DIFERENCIA. El conjunto que consiste en todos los elementos de A que no pertenecen a B, se llama la diferencia
de A y B, denotado por A B.
4. COMPLEMENTO. Si A B entonces B A es el complemento de A relativo a B y se denota por AcB . Si
B = U , el conjunto universal, entonces nos referimos a U A como el complemento de A y lo denotaremos por
Ac .
1.1.3.

ALGUNOS TEOREMAS IMPORTANTES SOBRE CONJUNTOS.

1. A B = B A.

A B C.

9. A U = U y A U = A.

2. A (B C) = (A B) C =
A B C.

5. A (B C) = (A B) (A C).

3. A B = B A.

7. A B = A B c .

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

8. A = A y A = .

1.2.
1.2.1.

10. (A B)c = Ac B c .

6. A (B C) = (A B) (A C).
11. (A B)c = Ac B c .
12. A = (A B) (A B c ).

PROBABILIDADES.
EXPERIMENTOS ALEATORIOS, ESPACIOS MUESTRALES Y SUCESOS.

Experimento aleatorio. Es una accin o proceso que puede tener distintos resultados posibles, y cuyo resultado no
se conoce hasta que se lleva a cabo el experimento.
Espacio muestral. El espacio muestral de un experimento aleatorio es el conjunto de resultados posibles de un
experimento. A este conjunto lo denotaremos por la letra E.
Suceso o evento. Un suceso o evento es un subconjunto del espacio muestral.
Ejemplo. Si lanzamos una moneda equilibrada dos veces al aire y observamos los resultados, obtenemos que E =
{CC, CS, SC, SS}. Si definimos el suceso A obtener al menos una cara, entonces A = {CC, CS, SC}.
1

1.2.2.

LOS SUCESOS COMO CONJUNTOS.

Notemos que los sucesos son conjuntos y por tanto podemos operar con ellos. As, tenemos que:
1. UNIN DE SUCESOS. Dados A y B dos sucesos, A B es el suceso que ocurre cuando A, B, o los dos
simultneamente.
2. INTERSECCIN DE SUCESOS. Dados A y B dos sucesos, A B es el suceso que ocurre cuando ocurren
simultneamente A y B.
3. COMPLEMENTO DE UN SUCESO. Dado un suceso A, su complemento o negado es el suceso que ocurre si y
slo si no ocurre A (y A ocurre si y slo si no ocurre el complemento de A). Podemos leer el suceso Ac "no A".
4. DIFERENCIA DE SUCESOS. Dados A y B dos sucesos, A B es el suceso que ocurre cuando ocurre A pero
no B.
Ejemplo. Si lanzamos una moneda equilibrada dos veces al aire y definimos los sucesos A obtener al menos una
cara y B el segundo lanzamiento sea un sello, entonces tenemos que A = {CC, CS, SC}, B = {CS, SS}, A B =
{CC, CS, SC, SS}, A B = {CS}, Ac = {SS} y A B = {CC, SC}.
1.2.3.

PROBABILIDAD DE UN SUCESO.

Definicin de Laplace. La probabilidad de que un suceso A ocurra es


P (A) =

nmero de casos favorables


,
nmero de casos posibles

donde el nmero de casos favorables es el nmero de elementos que tiene A y nmero de casos posibles es el nmero
de elementos que tiene el espacio muestral E.
Ejemplo. Si lanzamos un dado equilibrado al aire y definimos el suceso A obtener un nmero mayor a 2, entonces
tenemos que P (A) = 64 0, 6.
Definicin axiomtica. No siempre que sepamos el nmero de casos favorables y posibles de un suceso en un
experimento podemos aplicar la definicin anterior, esto por el hecho de que si los resultados no son igualmente
factibles (por ejemplo, una moneda no equilibrada) entonces el resultado se ve alterado. As pues, tenemos la siguiente
definicin formal.
Para cualesquiera dos sucesos A y B tenemos los axiomas:
1. P (A) 6 1.
2. P (E) = 1.
3. A B = = P (A B) = P (A) + P (B).
El axioma tres puede ser extendido a mas de dos sucesos.
1.2.4.

ALGUNOS TEOREMAS IMPORTANTES SOBRE PROBABILIDAD.

Para sucesos A, B, C cualesquiera, se cumple:


1. A B = P (A) < P (B) y P (A B) = P (A) P (B).
2. 0 6 P (A) 6 1. La probabilidad es un nmero entre 0 y 1.
3. P () = 0.
4. P (Ac ) = 1 P (A).

5. Si A y B son sucesos no disjuntos, entonces:


P (A B) = P (A) + P (B) P (A B).
Para tres sucesos se tiene:
P (A B C) = P (A) + P (B) + P (C) P (A B) P (A C) P (B C) + P (A B C).
6. P (A) = P (A B) + P (A B c ).
1.2.5.

PROBABILIDAD CONDICIONAL.

Si P (B) > 0 entonces, P (A|B) representa la probabilidad de que ocurra el suceso A dado que ocurre el suceso B
y se define por
P (A B)
.
P (A|B) =
P (B)
P (B|A)P (A)
.
P (B)
Ejemplo. En una poblacin el 30 % de la poblacin tiene ojos claros. El 60 % de las personas es mujer. Se sabe
adems que la probabilidad de elegir a una persona de ojos claros sabiendo que es mujer de es 0, 2. Cul es la
probabilidad de elegir a una mujer sabiendo que es de ojos claros?
Solucin. Definamos los sucesos A : Escoger una persona ojos claros, y el suceso B : escoger a una mujer. De esta
manera, se tiene que P (A) = 0, 3, P (B) = 0, 6 y P (A|B) = 0, 2. Se pide calcular P (B|A). As:
De esta definicin se obtiene que P (A B) = P (B)P (A|B) y tambin P (A|B) =

P (B|A) =
1.2.6.

P (A|B)P (B)
(0, 2)(0, 6)
=
= 0, 4.
P (A)
(0, 3)

SUCESOS INDEPENDIENTES.

Dos sucesos son independientes si el hecho de conocer que ocurri uno de ellos no afecta la probabilidad de que
ocurra el otro. Analticamente debe ocurrir P (A|B) = P (A) para que A y B sean suceson independientes. Esta definicin es equivalente a P (A B) = P (A)P (B).
Ejemplo. Si la probabilidad de que hoy llueva es 0.2 y la probabilidad de que hoy se me acabe la tinta del lapicero
es 0,6 calcule la probabilidad de que:
1. llueva y se me acabe la tinta.
2. llueva y no se me acabe la tinta.
3. no llueva y no se me acabe la tinta.
Solucin. Denotemos por A : llueve, B : se acaba la tinta. Es claro que A y B son sucesos independientes.
Conocemos que P (A) = 0, 2, P (B) = 0, 6, P (Ac ) = 1 P (A) = 0, 8 y P (B c ) = 1 P (B) = 0, 4.
De esta manera, 1. P (A B) = P (A)P (B) = (0, 2)(0, 6) = 0, 12.
Para resolver 2. notemos que los sucesos tambin son independientes y as P (AB c ) = P (A)P (B c ) = (0, 2)(0, 4) =
0, 8.
Para resolver 3. notemos que los sucesos tambin son independientes y as P (Ac B c ) = P (A) P (B c ) = (0, 8)(0, 4) =
0, 32.
Ejemplo. Determinar la probabilidad de obtener al menos un 4 en dos lanzamientos de un dado equilibrado.
Solucin. Denotemos por A : obtener un 4 en el primer lanzamiento y B : obtener un 4 en el segundo lanzamiento.
Nos piden calcular P (A B). Notemos que los sucesos no son disjuntos pero si son independientes y que adems
P (A) = 16 = P (B). As:
  
1 1
1
1
11
P (A B) = P (A) + P (B) P (A B) = P (A) + P (B) P (A)P (B) = +
=
0, 31.
6 6
6
6
36
3

1.3.

PROBLEMAS PROPUESTOS.

1. Una bola se extrae aleatoriamente de una caja que contiene 6 bolas verdes, 4 bolas amarillas y 5 bolas azules.
Determinar la probabilidad de que sea:
(a) Ni verde ni amarilla.
(b) Amarilla.
(c) Azul y verde.
(d) No verde.
(e) Verde o amarilla.
2. La probabilidad de que un vuelo programado normalmente salga a tiempo es de 0,82 y, la probabilidad de que
salga y llegue a tiempo es de 0,78. Determinar la probabilidad de que un avin:
(a) Llegue a tiempo dado que sali a tiempo.
(b) Salga a tiempo dado que lleg a tiempo.
3. Se tiene una ciertamoneda cargada, parala cual la probabilidad de sacar cara es 0,7. Si un experimento consiste
en lanzar dicha moneda 2 veces, calcule la probabilidad de:
(a) Obtener primero cara y despus sello.
(b) Obtener primero sello y despus cara.
(c) Obtener una cara y un sello.
4. El espacio muestral E de un experimento aleatorio est dado por: E = {a, b, c, d}, cuyas probabilidades son:
P (a) = 0,2, P (b) = 0,3, P (c) = 0,4 y P (d) = 0,1. Considere A el suceso {a, b} y B el suceso {b, c, d}. Calcule las
siguientes probabilidades:
(a) P (A).
(b) P (B).

(c) P (Ac ).
(d) P (A B).

(e) P (A B).

PROBLEMAS PROPUESTOS.
1. Se extrae una bola aleatoriamente de un caja que contiene 10 bolas azules, 30 verdes, 20 amarillas y l5 naranjas.
Hallar la probabilidad de que sea:
(a) Naranja o azul.
(b) Ni azul ni verde.
(c) No amarilla.
(d) Verde y naranja.
(e) Amarilla, blanca o azul.
2. Un dado equilibrado se lanza dos veces. Calcular la probabilidad de obtener 4, 5 o 6 en el primer lanzamiento y
1, 2, 3 o 4 en el segundo lanzamiento.
3. La probailidad de que una mujer casada vea cierto programa de televisin es 0,5 y la probabilidad de que un
hombre casado vea el mismo programa de televisin es 0,4. Se sabe adems que la probabilidad de que un hombre
casado vea el programa de televisin, dado que su esposa lo ve, es 0,7. Determinar la probabilidad de que:
(a) Un matrimonio vea el programa.
(b) Una esposa ve el programa, dado que su esposo lo ve.
(c) Al menos una persona de un matrimonio vea el programa.
4. La probabilidad de que llueva en un determinado da es 0.4. Pero si la tribu baila la danza de la lluvia, la
probabilidad de que llueva se duplica. En la aldea tienen la costumbre de bailar la danza de la lluvia todos los
das, a menos que hayan salido a cazar rinocerontes. La tribu sale a cazar rinocerontes el 70 % de los das. Calcule
la probabilidad de que en un determinado da:
(a) Llueva.
(b) Llueva, sabiendo que la tribu bail la danza de la lluvia.
(c) La tribu baile la danza de la lluvia.
(d) Llueva y la tribu baile la danza de la lluvia.
(e) La tribu haya bailado la danza de la lluvia, dado que ese da termin lloviendo.

2.

VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD.

2.1.

VARIABLES ALEATORIAS.

Una variable aleatoria es una funcin que asigna a cada punto de un espacio muestral un nmero real. Denotaremos
a las variables aleatorias con letras maysculas, como X o Y .
Ejemplo. Se tiene una caja con cuatro esferas verdes y tres azules. Se extraen 2 esferas sucesivamente y sin
reemplazo. El espacio muestral es E = {V V, V A, AV, AA}. Definimos la variable aleaotoria X que asigna a cada punto
del espacio muestral el nmero de esferas azules que hay en el punto; por ejemplo, a V A le asigna el nmero 1 puesto
que posee slo una azul. La variable aleatoria se resume en la siguiente tabla:
Espacio muestral
X

VV
0

VA
1

AV
1

AA
2

Note que para este espacio muestral pueden formarse muchas otras variables aleatorias, por ejemplo una que asigne
a cada punto del espacio muestral el cubo del nmero de esferas verdes, ms uno.
Diremos que una variable aleatoria es discreta si toma un nmero finito o infinito contable de valores y una variable
aleatoria es continua si toma un nmero infinito no contable de valores. La variable del ejemplo anterior es discreta.
2.1.1.

DISTRIBUCIN DE PROBABILIDAD DISCRETA.

Consideremos X una variable aleatoria discreta y suponga que los valores posibles que puede tomar estn dados por x1 , x2 , x3 , ordenados de manera creciente en magnitud. Supnga tambin que los valores se asumen con
probabilidades dadas por
P (X = xk ) = f (xk ), con k = 1, 2, 3, .
Se define la funcin de probabilidad o funcin de densidad de probabilidad o distribucin de probabilidad por P (X =
x) = f (x) y debe cumplir:
1. f (x) > 0.
X
2.
f (x) = 1.
x

Ejemplo. Encontrar la funcin de probabilidad de la variable aleatoria del ejemplo anterior.


Solucin. Como los resultados son igualmente factibles, P (V V ) = 14 , P (V A) = 14 , P (AV ) =
Luego, se tiene que:
P (X = 0) = P (V V ) = 14 ,
P (X = 1) = P (V A AV ) = 14 + 14 = 21 ,
P (X = 2) = P (AA) = 14 .
x
0
1
2
La funcin de probabilidad la podemos representar en la tabla
f (x) 1/4 1/2 1/4
2.1.2.

1
4

y P (AA) =

1
4.

FUNCIN DE DISTRIBUCIN PARA VARIABLES ALEATORIAS DISCRETAS.

La funcin de distribucin acumulada, o simplemente la funcin de dstribucin, para una variable aleatoria X,
con funcin de probabilidad f (x) se define por
X
F (x) = P (X 6 x) =
f (t); para < x < .
t6x

Ejemplo. La funcin de distribucin del ejemplo anterior (esferas verdes y azules) es

0,
si < x < 0;

0 + 14 = 14 ,
si 0 6 x < 1;
F (x) =
1
1
3
0
+
+
=
,
si 1 6 x < 2;

4
2
4

1
1
1
0 + 4 + 2 + 4 = 1, si x > 2.
6

2.1.3.

DISTRIBUCIN DE PROBABILIDAD CONTINUA.

La funcin de probabilidad o distribucin de probabilidad, o ms conocida por funcin de densidad, para una
variable aleatoria continua X es una funcin f que cumple con:
1. f (x) > 0.
Z
2.
f (x)dx = 1.

Z
Adems, se define la probabilidad de que X se encuentre entre a y b por P (a < X < b) =

f (x)dx.
a

Ejemplo. Suponga que el error en la temperatura de reaccin, en C, para un experimento de laboratorio controlado
es una variable aleatoria continua X que tiene la funcin de densidad

x2
, si 1 < x < 2;
f (x) =
0,3
en otro caso.
Z
f (x)dx = 1 y encuentre P (0 < X < 1).
Verifique que f cumple con

Solucin. Notemos que


Z

f (x)dx =

0dx +

x2
dx +
3

Z
2

x3
0dx =
9


2
=
1

8 1
+ = 1.
9 9

Por otra parte


Z

P (0 < X < 1) =
0

2.1.4.

 3 1
x2
x
1
dx =
= .
3
9 0 9

FUNCIN DE DISTRIBUCIN PARA VARIABLES ALEATORIAS CONTINUAS.

La funcin de distribucin o distribucin acumulada F (x) para una variable aleatoria continua X, con funcin de
densidad f (x), es:
Z x
F (x) = P (X 6 x) = P ( < X 6 x) =
f (t)dt.

dF (x)
Como consecuencia de esta definicin, se tiene que P (a < X < b) = F (b) F (a) y que f (x) =
.
dx
Ejemplo. Para la funcin de densidad del ejemplo anterior, encuentre la distribucin acumulada y utilicela para
encontrar P (0 < X < 1).
Solucin. Notemos que si x < 1 entonces F (x) = 0.
Si 1 6 x < 2 entonces
 3 x
Z x
Z x 2
x3 (1)3
x3 + 1
t
t
F (x) =
f (t)dt =
dt =
=

=
.
9 1
9
9
9
1
1 3
Ahora, si x > 2 se tiene que
Z

F (x) =

Z
f (t)dt +

f (t)dt =
1

t2
dt +
3

0dt = 1 + 0 = 1.
2

0,
si x < 1;

3
x +1
As, la distribucin acumulada es F (x) =
, si 1 6 x < 2;

1, 9
si x > 2.
Por otro lado,
13 + 1 03 + 1
2 1
1
P (0 < X < 1) = F (1) F (0) =

= = .
9
9
9 9
9
7

2.2.

PROBLEMAS PROPUESTOS

1. Una moneda equilibrada se lanza tres veces. Considere a la variable aleatoria X que indica el nmero de caras
que se obtiene en un resultado. Construir una tabla que muestre la distribucin de probabilidad de X y un
grfico para esta distribucin.
2. Considere Y la variable aleatoria que representa el nmcro de caras menos el nrmero de sellos en dos lanzamientos de una moneda equilibrada. Determinar la distribucin de probabilidad para Y y su grfico.
3. Se lanza un dado equilibrado dos veces y la variable aleatoria Z denota la diferencia entre el mayor nmero
obtenido y el menor nmero obtenido en un resultado. Construir la distribucin de probabilidad de Z y un
grfico para esta distribucin.
4. Construir la funcin de distribucin y el grfico para las variables aleatorias de los problemas 1, 2 y 3.
5. El nmero total de horas, medidas en unidades de 100 horas, que una familia utiliza una
aspiradora en un perodo
si 0 < x < 1;
x,
2 x, si 1 6 x < 2;
de un ao es una variable aleatoria continua X que tiene la funcin de densidad f (x) =

0,
en otro caso.
Encuentre la probabilidad de que en un perodo de un ao, una familia utilice su aspiradora
(a) Menos de 120 horas.
(b) Entre 50 y 100 horas.
Adems, encuentre la distribucin acumulada F (x) de esta variable.

3.

ESPERANZA Y VARIANZA DE UNA VARIABLE ALEATORIA.

3.1.

ESPERANZA O VALOR ESPERADO.

La esperanza matemtica, tambin conocida como valor esperado, de una variable aleatoria X es el promedio o
valor medio de X y est dado por
X
xf (x),
si X es discreta;

x
E(X) =
Z

xf (x)dx, si X es continua.

Donde f es la funcin de probabilidad de la variable aleatoria X. A la esperanza de X frecuentemente se le llama la


media de X y se denota por .
Ejemplo. Si lanzamos un dado equilibrado dos veces y definimos la variable aleatoria X que denota la suma de los
nmeros obtenidos en cada lanzamiento, se tiene que la funcin de probabilidad f est dada por
x
f (x)

2
1/36

3
2/36

4
3/36

5
4/36

6
5/36

7
6/36

8
5/36

9
4/36

10
3/36

11
2/36

12
1/36

Notemos que la variable X es discreta, por lo que la esperanza es


 
 
 
 
1
2
3
1
E(X) = = (2)
+ (3)
+ (4)
+ + (12)
= 7.
36
36
36
36
Esto quiere decir, que el valor esperado de la suma de los resultados es 7.

3.2.

VARIANZA.

La varianza es una medida de cunto tienden a alejarse los valores de una variable aleatoria de la media (esperanza)
de la misma. La varianza es una medida de dispersin y se denota por 2 . Si la variable es discreta, la varianza see
calcula mediante
X
2 = E((X )2 ) =
(x )2 f (x).
Tambin puede calcularse la varianza de una variable aleatoria discreta mediante
2 = E(X 2 ) 2 .
Ejemplo. La varianza del ejemplo anterior es
 
 
 
 
X
1
2
3
1
35
2
2
2
2
2
2
=
(x 7) f (x) = (2 7)
+ (3 7)
+ (4 7)
+ + (12 7)
=
5, 8.
36
36
36
36
6

3.3.

PROBLEMAS PROPUESTOS.

1. Suponga un juego con un dado equilibrado. En este juego, si obtiene 2 el jugador ganar 200 Bs., si obtiene 4
ganar 400 Bs., si obtiene 6 pierde 300 Bs.; mientras que ni pierde ni gana si obtiene otro resultado. Determinar
la esperanza de la suma esperada de dinero ganado.
2. En una lotera hay 200 premios de 1500 Bs., 20 premios de 7500 Bs. y 5 premios de 30000 Bs. Suponga que se
colocan a la venta 10000 boletos. Cul es el precio justo que se debe pagar por un boleto?
3. Encontrar la varianza de las variables descritas en los problemas 1 y 2.

4.

ALGUNAS DISTRIBUCIONES DISCRETAS ESPECIALES.

4.1.

DISTRIBUCIN BINOMIAL.

Un experimento aleatorio se denomina experimento de Bernoulli o prueba de Bernoulli si al realizar una cantidad
n de ensayos la probabilidad de que ocurra un suceso permanece constante para cada ensayo y, los n ensayos son
independientes entre si.
Consideremos p la probabilidad de que un suceso ocurra en una sola prueba de Bernoulli. Entonces la probabilidad
de que no ocurra el suceso en una sola prueba es q = 1 p. Consideremos tambin que la variable aleatoria X denota
el nmero de veces que ocurre el suceso en n pruebas. La probabilidad de que el suceso ocurra x veces en n pruebas,
est dada por la funcin


n
b(x; n, p) =
px q nx ,
x


n
donde
son las combinaciones de x elementos tomados de n elementos y se puede calcular mediante
x


n!
n
=
.
x
(n x)!x!
Recordar que el factorial de un nmero natural n es: n! = n (n 1)! (n 2)! 3 2 1
Una variable aleatoria como la anterior se dice que posee una distribucin binomial.
Ejemplo. Si el 40 % de los ratones que se utilizan en un experimento se volvieran muy agresivos en un perodo de
un minuto despus de administrarles una droga experimental, determinar la probabilidad de que exactamente seis de
quince ratones a los que se le ha administrado la droga se vuelvan muy agresivos en un perodo de un minuto.
Solucin. Considerenos como xito el hecho de que el ratn se vuelva agresivo y fracaso el hecho de que el ratn no
se vuelva agresivo. Estamos en presencia de un experimento de Bernoulli. Consideremos el 40 % como la probabilidad
de exito, es decir, la probabilidad de que un ratn se vuelva muy agresivo. Entonces, la probabilidad de que no se
vuelva muy agresivo un ratn al aplicarle la droga es de 60 %. En estas condiciones se tiene que n = 15, x = 6, p = 0,4
y q = 0,6. De esta manera, la probabilidad buscada es


15
(0,4)6 (0,6)9 =
b(6; 15, 0,4) =
6
4.1.1.

ESPERANZA Y VARIANZA DE LA DISTRIBUCIN BINOMIAL.

Para una distribucin binomial, la esperanza es = np y la varianza es 2 = npq.


Ejemplo. Para el ejemplo anterior, la esperanza y la varianza son = (15)(0,4) =, 2 = (15)(0,4)(0,6) =

4.2.

DISTRIBUCIN BINOMIAL NEGATIVA.

Consideremos un experimento donde las propiedades son las mismas que en un experimento binomial, con la
excepcin de que las pruebas se repetirn hasta que ocurra un nmero fijo de xitos. Estamos intersados ahora en
la probabilidad de que ocurra el k-simo exito en la x-sima prueba. Los experimentos de este tipo se denominan
experimentos binomiales negativos.
Una variable aleatoria tiene una distribucin binomial negtiva si su distribucin est dada por


x1

b (x; k, p) =
pk q xk .
k1
Ejemplo. Si la probabilidad es 0,4 de que un nio expuesto a cierta enfermedad contagiosa la contraiga, cul es
la probabilidad de que el dcimo nio expuesto a esta enfermedad sea el tercero en contraerla?
Solucin. Estamos en presencia de un experimento binomial negativo con x = 10, k = 3 y p = 0,4. De esta manera,
la probabilidad buscada es


 
10 1
9

3
103
b (10; 3, 0,4) =
(0,4) (0,6)
=
(0,4)3 (0,6)7 = 0,0645.
31
2
10

4.2.1.

ESPERANZA Y VARIANZA DE LA DISTRIBUCIN BINOMIAL NEGATIVA.


k
kq
Para una distribucin binomial negativa, la esperanza es = y la varianza es 2 = 2 .
p
p

4.3.

DISTRIBUCIN GEOMTRICA.

Si consideramos el caso especial de la distribucin binomial negativa donde k = 1, tenemos una distribucin de
probabilidad para el nmero de pruebas que se requieren para un slo xito. Esto quiere decir que estamos interesados
en determinar la probabilidad de que el primer xito ocurra en x ensayos. Una distribucin de este tipo se denomina
distribucin geomtrica y est definida por
g(x; p) = pq x1 .
Ejemplo. Se sabe que en cierto proceso de fabricacin, en promedio, uno de cada cien artculos est defectuoso.
Cul es la probabilidad de que el quinto artculo que se inspecciona sea el primer defectuoso que se encuentra?
Solucin. Si consideramos como xito el hecho de que se obtenga un artculo defectuoso, estamos en presencia
de una distribucin geomtrica con x = 5 y p = 0,01. De esta manera, la probabilidad buscada es
g(5; 0, 01) = (0,01)(0,99)51 = 0,0096.
4.3.1.

ESPERANZA Y VARIANZA DE LA DISTRIBUCIN GEOMTRICA.


1
q
Para una distribucin geomtrica, la esperanza es = y la varianza es 2 = 2 .
p
p

4.4.

DISTRIBUCIN DE POISSON.

Consideremos una variable aleatoria discreta X que puede tomar los valores 0, 1, 2, , de manera que la funcin
de probabilidad de X est dada por
x e
,
p(x; ) =
x!
donde es una constante positiva y e = 2,71828 . Esta distribucin se llama la distribucin de Poisson.
Utilizaremos a la distribucin de Poisson en el caso especial de la distribucin binomial cuando n es grande y p
est cerca de cero. En este caso se tiene que = np.
Ejemplo. Si la probabilidad de que un individuo sufra una reaccin por una inyeccin de un determinado suero, es
0,001, determinar la probabilidad de que de un total de 2000 individuos
(a) exactamente 3 individuos tengan reaccin.
(b) Ms de 2 individuos tengan reaccin.
Solucin. Si consideramos como xito el hecho de que algn individuo tenga reaccin, entonces estamos en
presencia de una distribucin de Poisson ya que n = 2000 se considera muy grande. As, con = np = (2000)(0,001) =
2, las probabilides buscada son
23 e2
(a) p(3; 2) =
= 0,180.
3!
(b)
p(X > 2) = 1 p(X 6 2)
= 1 [p(X = 0) + p(X = 1) + p(X = 2)]
 0 2

2 e
21 e2 22 e2
=1
+
+
0!
1!
2!
= 1 5 e2
= 0,323.
4.4.1.

ESPERANZA Y VARIANZA DE LA DISTRIBUCIN DE POISSON.

Para una distribucin de Poisson, la esperanza es = y la varianza es 2 = .


11

4.5.

PROBLEMAS PROPUESTOS.

1. Un analista industrial logra conocer mediante observaciones sucesivas, que en un alto horno de una empresa
siderrgica cuatro de cada diez piezas salen defectuosas. Si se toman cinco piezas al azar, determinar la probabilidad de que resulten a lo sumo tres piezas defectuosas.
2. Se sabe que en cierta ciudad, la probabilidad de que una persona tenga un perro es de 0,3. Encuentre la
probabilidad de que la dcima persona entrevistada al azar en esta ciudad sea la quinta que tiene un perro.
3. La probabilidad de que un estudiante para piloto apruebe el examen escrito para una licencia de piloto privado
es 0,7. Encuentre la probabilidad de que el estudiante apruebe el examen en el cuarto intento.
4. Se sabe que la probabilidad de que un estudiante de cierto instituto presente curvatura de la espina dorsal es 0,004.
De los siguientes 1.875 estudiantes que se revisan en busqueda de esta enfermedad, encuentre la probabilidad de
que menos de cuatro estudiantes presenten el problema.
5. Para cada uno de los problemas anteriores, encuentre el valor esperado (esperanza) de la distribucin.

12

5.

DISTRIBUCIN NORMAL.
Una distribucin normal es una distribucin de probabilidad continua, cuya funcin de densidad viene dada por:
1
2
2
f (x) =
e(x) /2 ,
2

donde y son la media y la desviacin tpica, respectivamente. El grfico de la funcin de densidad de una distribucin
normal es llamado la campana de Gauss:

Figura 1: Funcin de densidad N (, ).

La distribucin acumulada de una distribucin normal con media y desviacin tpica viene dada por:
Z x
1
2
2

F (X) = P (X 6 x) =
e(t) /2 dt,
2
cuyo grfica viene dada por

Figura 2: Distribucin acumulada para N (, ).

Una variable aleatoria que tiene una distribucin normal descrita como la anterior, tambin se dice que es una
variable aleatoria que est normalmente distribuida con media y varianza 2 ; que usualmente se denota por N (, ).

5.1.

DISTRIBUCIN NORMAL ESTNDAR O TIPIFICADA.

Si X es una variable aleatoria con distribucin N (, ), entonces la variable Z = X


es una varible aleatoria

normal estndar que se obtiene a partir de X. Toda variable aleatoria normal estndar tiene parmetros = 0 y
= 1.
En la prctica, el rea bajo la curva de una distribucin normal estndar N (0, 1), desde z1 hasta z2 representa la
probabilidad de que la variable se encuentre entre z1 y z2 ; es decir P (z1 6 Z 6 z2 ) y se puede calcular mediante la
13

tabla de valores anexa que nos da las reas de la curva normal tipificada de 0 a z. Notar que la curva es simtrica
respecto de la ordenada y. Tambin, el rea bajo la curva (por representar probabilidad) a lo sumo es uno y por la
simetra que representa la curva, a la iquierda y a la derecha de cero hay 0,5 unidades.
Ejemplo. Hallar el rea bajo la curva normal tipificada: (a) entre z = 0 y z = 1,2, (b) entre z = 0,68 y z = 0,
(c) entre z = 0,46 y z = 2,21, (d) a la derecha de z = 1,28.
solucin. (a) Utilizando la tabla de valores que nos da el rea bajo la curva normal tipificada de 0 a z, bajamos
por la columna marcada con z hasta el valor 1,2 y luego hacia la derecha hasta el valor 0. El valor es 0,3849. Este
valor representa la probabilidad de que Z est entre 0 y 1,2.
(b) Por simetra, el rea pedida es el rea entre 0 y 0,68. El valor es 0,2517, el cual representa P (0,68 6 Z 6 0).
(c) El rea pedida es el rea entre z = 0,46 y 0, ms el rea entre 0 y z = 2,21. Por simetra, el rea pedida es el
rea entre 0 y z = 0,46, ms el rea entre 0 y z = 2,21; es decir, P (0,46 6 Z 6 2,21) = O,1772 + 0,4864 = 0,6636
(d) El rea pedida es el rea entre z = 1,28 y 0, ms el rea a la derecha de 0. Esto es,
P (Z > 1,28) = 0,3997 + 0,5 = 0,8997.
Ejemplo. La media del dimetro interior de una muestra de 200 lavadoras producidas por una mquina es 1, 275
mts y la desviacin tpica es 0,0125 mts. El propsito para el cual se han diseado las lavadoras permite una tolerancia
mxima en el dimetro de 1,26 a 1,29 mts, de otra forma las lavadoras se consideran defectuosas. Determinar el
porcentaje de lavadoras defectuosas producidas por la mquina, suponiendo que los dimetros estn distribuidos
normalmente.
Solucin. Primero tipificamos o normalizamos los valores dados 1,26 y 1,29.
1,26 1,275
= 1,2.
0,0125
1,29 1,275
= 1,2.
0,0125
De esta manera, la proporcin de lavadoras no defectuosas es el rea bajo la curva normal tipificada entre 1,2 y
1,2, que por simetra es dos veces el rea entre 0 y 1,2. Esto es, 2(0,3849) = 0,7698; el cual representa un 77 %. Por
tanto, el porcentaje de lavadoras defectuosas producidas es 23 %.
Ejemplo. La longitud de los clavos fabricados por una mquina, en milmetros, es una variable aleatoria X que
sigue una distribucin normal, con media 10 y desviacin tpica 2. Calcular:
(a) Cul es la probabilidad de que un clavo elegido al azar mida menos de 12 milmetros?
(b) Cul es la probabilidad de que un clavo elegido al azar mida menos de 7 milmetros?
Solucin.
12 10
(a) Tenemos una variable N (10, 2). Primero tipificamos o normalizamos a la variable, esto es
= 1. La
2
probabilidad pedida es el rea bajo la curva normal estndar a la izquierda de 1, es decir 0,5 ms el rea bajo la curva
normal de cero hasta 1. De esta manera, el rea pedida es
P (X 6 1) = 0,5 + 0,3413 = 0,84134.
(b) Ejercicio!

5.2.

EJERCICIOS PROPUESTOS

1. El peso medio de los estudiantes varones de una universidad es de 68,5 kg y la desviacin tipificada es de 10 kg.
Suponiendo que los pesos estn distribuidos normalmente, hallar la probabilidad de que un estudiante pese (a)
entre 48 y 71 kg, (b) ms de 91 kg.
2. Cierto tipo de bateria de almacenamiento dura, en promedio, 3,0 aos con una desviacin de 0,5 aos. Suponga
que las duraciones de la bateria se distribuyen normalmente, encuentre la probabilidad de que una bateria dada
dure menos de 3 aos.
3. Una empresa electrica fabrica focos que tienen una duracin, antes de fundirse, que se distribuye normalmente
con una media igual a 800 horas y desviacin tpica de 40 horas. Ecuentre la probabilidad de que el foco se funda
entre 778 horas y 834 horas.

14