Академический Документы
Профессиональный Документы
Культура Документы
TRIMESTRE 15-O
Septiembre - Diciembre
Departamento de Sistemas
Unidad Azcapotzalco
NDICE GENERAL
1 semana 5 1
1.1 Variable aleatoria discreta 1
1.2 Esperanza y varianza de una variable aleatoria discreta 5
1.3 Distribucin de Bernoulli 7
1.4 Distribucin discreta uniforme 8
2 semana 6 11
2.1 Distribucin binomial 11
2.2 Distribucin geomtrica 14
2.3 Distribucin binomial negativa 15
3 semana 7 17
3.1 Distribucin hipergeomtrica 17
3.2 Distribucin de Poisson 20
4 semana 8 23
4.1 Autoevaluacin 2 23
a anexos 25
a.1 Tabla de ecuaciones 25
b bibliografa recomendada 27
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. iii
SEMANA 5
1
1.1 variable aleatoria discreta
Ejemplo 1.1 Para hablar de una variable aleatoria es necesario definir un experimento
y sus posibles resultados.
Ejemplo 1.2 Considera que realizamos dos lanzamientos de un dado. Los posibles
resultados de este experimento son 36 y se pueden representar como coordenadas, por
ejemplo si en el primer lanzamiento sale 5 y en el segundo 3, el resultado es (5,3). Aho-
ra se debe definir una variable aleatoria para estos posible resultados, por ejemplo:
X : {(1, 1), (1, 2), (1, 3), ..., (6, 5), (6, 6)} <
dada por:
X(x, y) = x + y
Observa que se pueden definir muchos tipos de variable aleatoria para cada experimen-
to, y es importante definir la variable adecuada para el anlisis que se deba realizar.
Un tema que resultar central en el resto del curso es la funcin de probabilidad (tam-
bin llamada distribucin de probabilidad o funcin de masa de probabilidad), que se
define de la siguiente manera.
Denicin 1.1.2 Para una variable aleatoria discreta X, que puede tomar los valores
x1 , x2 , . . . , xn , con probabilidades p(x1 ), p(x2 ), . . . , p(xn ), la distribucin de probabi-
lidad, que va del rango de X al intervalo [0, 1], se define como:
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 1
semana 5
Observacin 1 Como fX (x) est dada por una probabilidad, se tienen los siguientes
resultados:
1. fX (xi ) > 0 para toda i.
Xn
2. fX (xi ) = 1.
i
Ejemplo 1.3 En una compaa que se eligieron 6 lotes para ser revisados y contar el
nmero de componentes defectuosos que contienen. Los resultados se presentan en la
siguiente tabla.
Lote 1 2 3 4 5 6
No. de componentes defectuosos 0 2 0 1 2 0
X
FX (x) = P(X 6 x) = fX (xi ) (2)
xi 6x
1 1 4
FX (1) = (P 6 1) = P(X = 0 X = 1) = P(X = 0) + P(X = 1) = f(0) + f(1) = 2 + 6 = 6
2 Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
1.1 variable aleatoria discreta
Ejemplo 1.5 Se prueban tres componentes cada uno clasifica como falla o pasa. Se
considera que la probabilidad de que un componente pase es 0.8 para cada componente
y adems pasar o fallar son eventos independientes entre componentes distintas.
a) Determina el espacio de soluciones para este experimento
Primero se definen los eventos cuya probabilidad se desea calcular, sean: P =
pasan; F = fallan. De esta forma:
S = {PPP, PPF, PFP, FPP, PFF, FPF, FFP, FFF}
b) Determina la probabilidad de que los tres componentes pasen la prueba.
Entonces se est buscando P(P P P), como los componentes son independien-
tes tenemos lo siguiente:
P(P P P) = P(P)P(P)P(P) = (0.8)(0.8)(0.8) = 0.512
c) Determina la distribucin de probabilidad para la siguiente variable aleatoria X:
X = nmero de componentes que pasan la prueba.
Primero se observa que la variable aleatoria funciona de la siguiente forma:
X(P, F, P) = 2; X(P, F, F) = 1; X(F, F, F) = 0; X(P, P, P) = 3; etc.
Ahora se debe determinar la probabilidad asociada a cada posible valor que pue-
da tomar X.
P(X = 0) = 18 entonces fX (0) = 81
3 3
P(X = 1) = 8 entonces fX (1) = 8
3 3
P(X = 2) = 8 entonces fX (2) = 8
1 1
P(X = 3) = 8 entonces fX (3) = 8
1 3 4 1
FX (1) = fX (1) + fX (0) = 8 + 8 = 8 = 2
1 3 3 7
FX (2) = fX (0) + fX (1) + fX (2) = 8 + 8 + 8 = 8
1 3 3 1 8
FX (3) = fX (0) + fX (1) + fX (2) + fX (3) = 8 + 8 + 8 + 8 = 8 =1
Proposition 1.1.1 Para cualesquiera dos nmeros a y b con a 6 b se tiene lo siguiente:
b) P(2 6 X 6 3)
1 1
P(2 6 X 6 3) = FX (3) FX (2) = FX (3) FX (1) = 1 2 = 2
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 3
semana 5
Para graficar FX (x) en el caso discreto se sigue la siguiente regla. Si la variable alea-
toria X toma los valores x1 ,x2 , ..., xn entonces:
FX (xi ), si xi 6 x < xi+1
FX (x) = 0, si x 6 x1
1, si x 6 x n
X 1 2 3 4
fX (x) 0.4 0.3 0.2 0.1
0, si x < 1
0.4, si 1 6 x < 2
FX (x) = 0.7, si 2 6 x < 3
0.9,
si 3 6 x < 4
1, si 4 6 x
Realizando el grfico se obtiene el siguiente resultado:
4 Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
1.2 esperanza y varianza de una variable aleatoria discreta
0.06, si 0 6 x < 1
0.19, si 1 6 x < 2
0.39, si 2 6 x < 3
FX (x) = 0.67, si 3 6 x < 4
0.92, si 4 6 x < 5
0.97, si 5 6 x < 6
1, si 6 6 x.
Responde las siguientes preguntas.
Denicin 1.2.1 La media de una variable aleatoria discreta que puede tomar n valo-
res, x1 , x2 , ..., xn , est dada por:
X
n
X = E(X) = xi fX (xi ) (4)
i=1
X
n
2X = Var(X) = E(X X ) = (x X )2 fX (x) = E(X2 ) 2X (5)
i=1
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 5
semana 5
Donde:
X, Y son variables aleatorias.
a, b son constantes reales.
Es importante destacar que las propiedades anteriores indican que el operador espe-
ranza es un operador lineal.
En el caso de la varianza se puede demostrar que cumple con las siguientes propieda-
des:
1. Var(X) > 0
2. Var(b) = 0
3. Var(aX + b) = a2 Var(X)
Donde:
X, Y son variables aleatorias
a, b son constantes reales
En particular, la propiedad 3 indica que la varianza, a diferencia de la esperanza, no
es un operador lineal ya que no distribuye ni la suma ni el producto de una variable
aleatoria con escalares.
Ejemplo 1.9 Considera el experimento de lanzar un dado. Entonces el espacio mues-
tral S es:
Ahora considera la variable aleatoria que asigna a cada lanzamiento del dado, el n-
mero de puntos obtenido, entonces:
X = {1, 2, 3, 4, 5, 6}
Ahora se determinar la distribucin de probabilidad.
Como los nicos valores de la variable aleatoria son 1, 2, 3, 4, 5 y 6, y todos tienen la
misma probabilidad de ser elegidos, se tiene lo siguiente:
P(X = 1) = P(X = 2) = P(X = 3) = P(X = 4) = P(X = 5) = P(X = 6) = 61
Por lo tanto:
fX (1) = fX (2) = fX (3) = fX (4) = fX (5) = fX (6) = 16
6 Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
1.3 distribucin de bernoulli
3
fX (1) = P(X = 1) = 8
3
fX (2) = P(X = 2) = 8
fX (3) = P(X = 3) = 18
d) Encuentra la media y la varianza de X.
X = E(X) = fX (0) 0 + fX (1) 1 + fX (2) 2 + fX (3) 3 = 1.5
Es frecuente que en diferentes procesos se den variables del tipo se acepta, se recha-
za. Por ejemplo, un artculo cumple con las especificaciones o no, un foco prende o no,
una pieza resiste cierta fuerza o no. Un experimento donde los posibles resultados de
cada ensayo son xito o fracaso se conoce como un experimento o ensayo de Bernoulli.
Cualquier variable aleatoria X cuyos nicos valores posibles son 0 y 1, xito o fracaso,
se llama variable aleatoria de Bernoulli.
La distribucin de probabilidad para una variable aleatoria de Bernoulli est dada por:
si x = 1
p,
fX (x) = 1 p, si x = 0 (6)
0, en otro caso
X = E(X) = p (7)
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 7
semana 5
Ejemplo 1.12 Considera que el 80 por ciento de las familias de una ciudad son pro-
pietarias de sus hogares. Sea X la variable aleatoria que toma el valor de 1 cuando una
familia elegida al azar en la ciudad es propietaria y 0 cuando no lo es. Encuentra la
media y la varianza de X.
Si se define como xito a elegir una familia propietaria de su casa se tendr:
p = 0.80
q = 1 p = 1 0.80 = 0.20
X = p = 0.80
2X = (0.80)(0.20) = 0.16
Una variable aleatoria discreta es uniforme si cada uno de sus posibles valores tiene
la misma probabilidad. Si X es una variable aleatoria discreta uniforme con posibles
valores x1 , x2 , x3 , ..., xn , entonces su distribucin de probabilidad est dada por:
1
fX (xi ) = para toda i = 1, 2, 3, ..., n (9)
n
Mientras que su media y varianza se pueden calcular de la siguiente forma:
P
n
xi
i=1
X = E(x) = (10)
n
P
n
(xi )2
i=1
Var(X) = 2X = (11)
n
Ejemplo 1.13 Considera que la variable aleatoria X tiene una distribucin discreta
uniforme en los enteros 0 6 x 6 100.
a) Determina la distribucin de probabilidad de X.
1
fX (x) = 101 = 0.0099
Por lo tanto:
fX (0) = fX (1) = fX (2) =, ..., = fX (100) = 0.0099.
8 Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
1.4 distribucin discreta uniforme
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 9
SEMANA 6
2
2.1 distribucin binomial
Donde n n!
x = x!(nx)! es el nmero de combinaciones de elementos tomados de x en
x.
Es importante tener en cuenta que los trminos xito y fracaso slo son etiquetas, aun-
que pueden ser engaosas; por ejemplo si X es el nmero de piezas defectuosas, enton-
ces la produccin de una pieza defectuosa ser llamada un xito.
Si X es una variable aleatoria con distribucin binomial (n, p), su media y varianza
estn dadas por:
X = E(X) = np (13)
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 11
semana 6
Ejemplo 2.2 La probabilidad de que cada muestra de aire contenga una molcula par-
ticular es del 10 por ciento. Suponga que las muestras son independientes con respecto
a la presencia de la molcula.
a) Encuentra la probabilidad de que entre las 18 muestras tomadas hace una hora,
exactamente dos contengan la molcula rara.
Lo primero que se debe hacer es definir la variable aleatoria que se utilizar:
Sea X = nmero de muestras que contienen la molcula rara.
De esta forma la probabilidad de xito es p = 0.1.
Ahora ya es posible responder a la pregunta inicial:
18
P(x = 2) = 2 (0.1) (0.9)182 = 0.2835121
2
12 Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
2.1 distribucin binomial
x P(X = x)
2
(0.4)0 (0.6)20 = 0.36
0 P(0) = 0
2
(0.4)1 (0.6)21 = 0.48
1 P(1) = 1
2
(0.4)2 (0.6)22 = 0.16
2 P(0) = 2
Ejemplo 2.4 Juan compr una caja con 30 copas que utilizar en una cena familiar. Sa-
be por experiencia que el 5 % de las piezas pueden ser inservibles por estar fracturadas
o astilladas.
a) Determina la probabilidad de que las 30 copas sean inservibles.
En este ejemplo las copas tienen dos opciones: buen estado o mal estado. El
nmero de repeticiones es 30 y la probabilidad de que una copa est en mal
estado es fija, 5 %. Por lo tanto, se adapta a una distribucin binomial.
xito = Copa fracturada o astillada; p = 0.05; n = 30.
Entonces, la respuesta a la pregunta se obtiene de la siguiente forma.
30
P(X = 30) = 30 (0.05) (1 0.05)3030 = 9.31323E 40
30
A partir de ahora considera que Juan slo requerir de 25 copas para la cena
familiar.
c) Determina la probabilidad de que las 30 copas compradas sean suficientes para
cubrir los requisitos de la cena.
Se requieren 25 copas en buen estado, lo cual es equivalente a 5 o menos copas
inservibles, por lo tanto la respuesta se obtiene de la siguiente manera.
P(X 6 5) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) + P(X = 4) + P(X = 5)
= 0.214639 + 0.3389033 + 0.2586367 + 0.1270496 + 0.0451360 + 0.0123530
= 0.9967175
d) Determina la probabilidad de las copas compradas cubran de forma exacta los re-
querimientos de la cena.
Ahora se requiere
que5 el nmero305
de copas inservibles sea exactamente 5.
30
P(X = 5) = 5 (0.05) (1 0.05) = 0.0123530
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 13
semana 6
e) Determina la probabilidad de que hagan falta copas para cubrir los requerimientos
de la cena.
Para este caso se debe determinar la probabilidad de que el nmero de copas en
buen estado sea menor a 25, esto implica que las copas inservibles deben ser 6 o
ms.
P(X > 6) = P(X = 6) + P(X = 7) + ... + P(X = 29) + P(X = 30)
= 1 P(X 6 5)
= 1 0.9967175
= 0.00328
f) Cuntas copas inservibles espera encontrar Juan en la caja que compr?
X = (0.05)(30) = 1.5
(1 p)
2X = Var(X) = (17)
p2
Nuevamente resulta sencillo entender el valor de la media X , si se considera el
lanzamiento de una moneda. En este caso se quiere saber cuntas veces se espera que
deba lanzarse antes de obtener la primera guila. Como cada cara de la moneda tiene la
misma probabilidad, entonces se espera tener que lanzar la moneda en promedio dos
veces antes de obtener la primer guila, que corresponde exactamente a p1 = 0.5
1
= 2.
Ejemplo 2.5 En una zona de Veracruz, la probabilidad de que una tormenta fuerte
ocurra en un da cualquiera durante el invierno entre enero y febrero es igual a 0.1.
Considerando que el clima de un da es independiente de cualquier otro. Cul es la
probabilidad de que la primera tormenta ocurra el 3 de febrero?
Consideremos que el mes de enero cuenta con 31 das. Por consiguiente si X es el
14 Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
2.3 distribucin binomial negativa
r(1 p)
2X = Var(X) = (20)
p2
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 15
semana 6
Ejemplo 2.7 Suponga que un dispositivo transmite bits con una probabilidad p = 0.1
Ejemplo 2.8 Si la probabilidad de que un futbolista anote un gol cada vez que realiza
un tiro a la portera es 0.40.
a) Determina la probabilidad
3 de que103
deba realizar 10 tiros para anotar tres goles.
101
P(X = 10) = 31 0.4 (1 0.4) = 0.0644973
b) Cuntos tiros se espera que realice para poder anotar tres goles.
= E(X) = pr = 0.43
= 7.5
16 Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
SEMANA 7
3
3.1 distribucin hipergeomtrica
k
X = E(X) = n = np (22)
N
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 17
semana 7
Nn
2X = Var(X) = np(1 p)( ) (23)
N1
k
Donde p = N corresponde a la probabilidad inicial de xitos.
Observa que el valor de la probabilidad de xito p, se deduce del hecho de que inicial-
mente se cuenta con una poblacin de tamao N, en la cual hay k individuos catalo-
k
gados como xito. Por lo tanto, la probabilidad de elegir a uno de estos individuos es N .
Ejemplo 3.1 En una empresa industrial cada da se producen 250 piezas. Por experien-
cia se sabe que en promedio se obtendrn 50 piezas defectuosas. Si se eligen de forma
aleatoria y sin reemplazo 5 piezas de la produccin de un da.
a) Cul es la probabilidad de que las 5 piezas sean defectuosas?
Sea X el nmero de piezas defectuosas en la muestra. Entonces X tiene una dis-
tribucin hipergeomtrica con parmetros N = 250, k = 50, n = 5, y se pide la
probabilidad P(X = 5).
Entonces
(50)(25050)
P(X = 5) = 5 25055 = 0.00027
(5)
miento despus de instalar en ellas chips semiconductores. Un lote contiene 140 tarjetas,
y se seleccionan 20 sin remplazo para las pruebas de funcionamiento.
a) Si hay 15 tarjetas defectuosas, Cul es la probabilidad de que al menos una de las
tarjetas defectuosas est en la muestra?
(15)(14015
200 )
P(x > 1) = 1 P(x = 0) = 1 0 140 = 1 0.0865117 = 0.9134883
( 20 )
b) Si hay cinco tarjetas defectuosas, Cul es la probabilidad de que al menos una de
las tarjetas defectuosas aparezca en la muestra?
(5)(135)
P(x > 1) = 1 P(x = 0) = 1 0 14020 = 0.54294057
( 20 )
c) Si hay 10 tarjetas defectuosas, cuntas tarjetas defectuosas se esperan encontrar en
la muestra?
k 10
X = E(X) = n( N ) = 20( 140 ) = 1.4285714
En una mesa se colocaron 15 tazas de caf, de las cuales slo 7 fueron endulzadas.
a) Si se eligen 2 tazas al azar, cul es la probabilidad de que ambas tenga azcar?
En este caso se tiene una poblacin de 15 tazas, de las cuales 7 pueden conside-
rarse como xito, tienen azcar. Adems, las probabilidades de xito se modifican
cada vez que se toma una taza, por lo tanto es conveniente emplear una distribu-
cin hipergeomtrica con los siguientes parmetros.
18 Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
3.1 distribucin hipergeomtrica
N = 15; k = 7; n = 2.
La pregunta inicial se resuelve de la siguiente manera.
(7)(157)
P(X = 2) = 2 1522 = 0.2
(2)
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 19
semana 7
e x
fX (x) = , x = 0, 1, 2, ... (24)
x!
Donde e = 2.718 y es el nmero esperado de eventos en el intervalo.
Por ejemplo es frecuente que el nmero de variaciones de voltaje por hora, el nmero
de defectos por rollo de tela, el nmero de partculas contaminantes en un lquido, etc.,
se analicen como variables con una distribucin de Poisson.
Si X es una variable aleatoria con distribucin de Poisson con parmetro entonces su
media y varianza son:
X = E(X) = (25)
2X = Var(X) = (26)
Ejemplo 3.3 Suponga que en una carretera estatal hay en promedio 3.5 baches cada 5
kilmetros. Sea X la cantidad de baches que se observan en esta distancia. Si el nmero
de baches sigue una distribucin de Poisson con = 3.5.
a) Cul es la probabilidad de encontrar exactamente 4 baches en un recorrido de 5
kilmetros?
Esto se obtiene con:
3.5 (3.5)4
P(X = 4) = e 4! = 0.1888
b) Determina la probabilidad de encontrar a lo sumo 4 baches es:
X 4
P(X 6 4) = P(X = x)
x=0
(3.5)2 (3.5)3 (3.5)4
= e3.5 [1 + 3.5 + 2! + 3! + 4! ]
= 0.7254
20 Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
3.2 distribucin de poisson
Ejemplo 3.4 Utilizando la misma informacin que en el ejemplo anterior resuelve las
siguientes preguntas.
a) Determina la probabilidad de encontrar exactamente 4 baches en un recorrido de
10 kilmetros.
Nuevamente se pide determinar P(X = 4), pero en este caso sera un error utilizar
= 3.5. Para resolver este ejemplo es necesario determinar el nmero de baches
esperados en 10 kilmetros. Se sabe que se esperan 3.5 baches en 5 kilmetros,
por lo tanto en 10 kilmetros se esperan 7 baches (el doble). De esta forma la
probabilidad buscada es:
7 4
P(X = 4) = e 4!(7) = 0.09122
b) Determina la probabilidad de encontrar exactamente 4 baches en un recorrido de 2
kilmetros.
Nuevamente, se debe establecer el valor de , en este caso para 2 kilmetros. Co-
mo = 3.5 para 5 kilmetros, entonces = (3.5)( 52 ) = 1.4 baches en 2 kilmetros.
Por lo tanto:
1.4 (1.4)4
P(X = 4) = e 4! = 0.03947
Es importante recordar que una de las caractersticas de un proceso de Poisson es
que la probabilidad de que ocurra un evento en un subintervalo es proporcional a
su longitud, por lo tanto resulta coherente que las probabilidades calculadas en cada
ejemplo sean diferentes, ya que el tamao del recorrido fue modificado.
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 21
SEMANA 8
4
4.1 autoevaluacin 2
Utiliza los siguientes ejercicios para evaluar tu nivel de comprensin del material
estudiado. Entre los corchetes se encuentra la respuesta correcta de cada pregunta.
1. Una marca de perfume tiene dos tamaos de presentacin: pequeo y mediano.
Treinta y cinco por ciento de todos los clientes de cierta tienda buscan el tamao
pequeo.
a) Entre 12 clientes seleccionados al azar, cul es la probabilidad de que por lo
menos 3 busquen el tamao pequeo? = {0.8487}
b) Entre 12 clientes seleccionados al azar, cul es la probabilidad de que exacta-
mente 3 busquen el tamao pequeo? = {0.1954}
2. Un lote de 55 jugos enlatados contiene seis en los que el contenido est por abajo
del lmite permitidos. Se seleccionan al azar una muestra de 10 latas para ser
enviadas y analizadas por control de calidad.
a) Cul es la probabilidad de que a lo sumo uno de los jugos inaceptables est
en la muestra? = {0.7024}
b) Cul es la probabilidad de que ninguno de los jugos inaceptables est en la
muestra? = {0.28096}
3. El nmero de imperfecciones superficiales en el material utilizado para construir
la puerta de cierto tipo de refrigeradores tiene una distribucin de Poisson con
una media de 0.04 imperfecciones por metro cuadrado.
a) Suponga que cada puerta requiere de 4 metros cuadrados de dicho material.
Cul es la probabilidad de que no haya imperfecciones superficiales en la
puerta de un refrigerador? = {0.8521}
b) Por solicitud de una fbrica de helados se construir una puerta de 150 metros
cuadrados, cuntas imperfecciones esperara encontrar? = {6}
4. Suponga que la probabilidad de que un arquero le atine al centro de la diana es
p = 0.5.
a) Cierto da establece que continuar practicando hasta atinar dos veces en el
centro. Cul es la probabilidad de que tenga que realizar a lo ms cinco
disparos? = {0.8125}
b) Cuntos disparos espera hacer antes de poder detener el entrenamiento?
= {4}
5. Un examen de opcin mltiple contiene 25 preguntas, cada una con cuatro res-
puestas. Suponga que un estudiante slo adivina las respuestas.
a) Cul es la probabilidad de que el estudiante conteste de manera correcta
menos de cuatro preguntas? = {0.09621}
b) Qu calificacin se espera que obtenga un estudiante tomado al azar? = {6.25
respuestas correctas, 2.5 de calificacin }
6. Las tarjetas de circuito impreso se envan a una prueba de funcionamiento des-
pus de haber montado en ellas todos los chips. Un lote contiene 140 tarjetas y se
toman 20 tarjetas diferentes para hacerles la prueba de funcionamiento.
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 23
semana 8
24 Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
ANEXOS
A
a.1 tabla de ecuaciones
Semana 5
fX (xi ) = P(X = xi )
Variable aleatoria X
n
X = E(X) = xi fX (xi )
discreta i=1
X
n
2X = (x X )2 fX (x) = E(X2 ) 2X
i=1
si x = 1
p,
fX (x) = 1 p, si x = 0
Distribucin de Bernoulli 0, en otro caso 6
X = E(X) = p
2X = Var(X) = p(1 p) = pq
1
fX (xi ) = n para toda i = 1, 2, 3, ..., n
P
n
Distribucin uniforme xi 9
i=1
X = E(x) = n
P
n
(xi )2
Var(X) = 2X = i=1
n
Semana 6
n
x
fX (x) = x p (1 p)nx , x = 0, 1, 2, ...
Bistribucin binomial 12
X = E(X) = np
2X = Var(X) = np(1 p)
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 25
anexos
x1
(1 p)xr pr , x = r, r + 1, r + 2, ...
Distribucin binomial f(x) = r1
r
18
negativa X = E(X) = p
r(1p)
2X = Var(X) = p2
Semana 7
(kx)(Nk
nx )
fX (x) = , donde mx {0, n N + k} 6 x 6 min {n, k}
Distribucin (Nn)
X = E(X) = n N k
= np 21
hipergeomtrica
2X = Var(X) = np(1 p)( Nn
N1 )
k
p= N
e x
Distribucin de Poisson
fX (x) = x! , x = 0, 1, 2, ...
24
X = E(X) =
2X = Var(X) =
Rb
Variable aleatoria P(a 6 X 6 b) = a fX (x)dx
R
continua X = E(X) = xfX (x)dx
R
2X = Var(X) = (x )2 fX (x)dx
26 Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
BIBLIOGRAFA RECOMENDADA
B
1. Grabinsky J., Gua SAI de probabilidad y estadstica. Tronco general. Universi-
dad Autnoma Metropolitana. Disponible en:
http://espartaco.azc.uam.mx/UAM/217523/217523.html.
3. Grabinsky J., Ramrez R. J., Rivera B. J., Alonso J., Lpez B. R., Problemas de pro-
babilidad y estadstica. Universidad Autnoma Metropolitana. Disponible en:
http://espartaco.azc.uam.mx/UAM/101416/101416.html.
Copyright
2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 27