ANLISIS DE DATOS EN

INGENIERA
VARIABLES ALEATORIAS Y
DISTRIBUCIONES DE
PROBABILIDADES
Ing. Rodrigo Wadnipar, M. Sc.
1

3. DISTRIBUCIONES DE PROBABILIDAD (10HT, 5 HP)

3.1 Variables aleatorias discretas y sus distribuciones de
probabilidad, distribucin de probabilidad acumulada.
3.2 Valor esperado y varianza de una variable aleatoria discreta,
propiedades.
3.3 Distribuciones de probabilidad discreta especiales (Binomial,
Hipergeomtrica, Poisson, Binomial Negativa, Geomtrica,
Uniforme Discreta)
3.4 Distribuciones de probabilidad continua y sus distribuciones
de probabilidad.
3.5 Valor esperado y varianza de una variable aleatoria
continua, funcin de distribucin.
3.6 Distribuciones de probabilidad continua especiales (Normal,
Exponencial, Uniforme continua)
3.7 Aproximaciones entre las distribuciones de probabilidad.
3.8 Relacin entre las distribuciones de Poisson y Exponencial.
2

Bibliografa
Statistics for Engineering and the Sciences.
Mendenhall William. Pearson Prentice-Hall, 2007.
Probabilidad y Estadstica para Ingeniera y
Ciencias
Walpole, Ronald E., Myers, Raymond H.,
Myers, Sharon L., YE, Keying.
Octava edicin
Editorial PEARSON Educacin.
Probabilidad y estadstica aplicadas a la ingeniera.
Montgomery, Douglas C. y George C. Runger.
Editorial Limusa Wiley.
3

33

CONCEPTO DE VARIABLE
ALEATORIA
La estadstica realiza inferencias acerca de
las poblaciones y sus caractersticas.
Por ejemplo, el espacio muestral que ofrece
una descripcin detallada de cada posible
resultado, cuando se prueban tres
componentes electrnicos, se escribe como:
S = {NNN, NND, NDN, DNN, NDD, DND, DDN, DDD}

Donde N denota no defectuoso y D

defectuoso.
4

CONCEPTO DE VARIABLE ALEATORIA

(continuacin)

Evidentemente, nos interesa el nmero de no

conformes que se presenten.
A cada punto en el espacio muestral se le asignar
un valor numrico de 0, 1, 2, 3.
Estos valores son, por supuesto, cantidades
aleatorias determinadas por el resultado del
experimento.
Esos valore se pueden ver como valores que toma
la variable aleatoria X.
Una variable aleatoria es una funcin que asocia
un nmero real con cada elemento del espacio
muestral.
5

CONCEPTO DE VARIABLE ALEATORIA

(continuacin)
Utilizamos una letra mayscula, digamos X, para
denotar una variable aleatoria; y su correspondiente
letra minscula, x en este caso, para uno de sus
valores.
En el ejemplo de la prueba de componentes
electrnicos, la variable aleatoria X toma el valor de
x = 2 para todos los elementos en el subconjunto
E = {DDN, DND, NDD}
del espacio muestral S. Esto es, cada valor posible
de X representa un evento que es un subconjunto
del espacio muestral para el experimento dado.
6

CONCEPTO DE VARIABLE ALEATORIA

(continuacin)
Simulacin del ejemplo de tres componentes electrnicos.
Componente electrnico defectuoso para # aleatorio 0,5

CONCEPTO DE VARIABLE ALEATORIA

(continuacin)
Ejemplo 3.1 W
Se sacan dos bolas de manera sucesiva sin
reemplazo, de una urna que contiene 4 bolas rojas
y 3 negras.
Los posibles resultados y los valores y de la
variable aleatoria Y, donde Y es el nmero de
bolas rojas, son:

CONCEPTO DE VARIABLE ALEATORIA

(continuacin)
Ejemplo
3.2 W
El empleado de un almacn regresa tres cascos de seguridad al
azar a tres trabajadores de un taller siderrgico que ya los
haban probado. Si Smith, Jones y Brown, en ese orden, reciben
uno de los tres cascos, liste los puntos mustrales para los
posibles rdenes de regreso de los cascos, y encuentre m de la
variable aleatoria M que representa el nmero de asociaciones
correctas.
Solucin: Si S, J y B representan, respectivamente, los cascos
de Smith, Jones y Brown, se tiene:

17
9

CONCEPTO DE VARIABLE ALEATORIA

(continuacin)
En cada uno de los ejemplos anteriores, el espacio
muestral contiene un nmero finito de elementos.
Cuando se lanza un dado hasta que salga un 5,
obtenemos un espacio muestral con una secuencia
de elementos interminables,
S = {F, NF, NNF, NNNF, NNNNF,},
donde F y N representan, respectivamente, la
ocurrencia y la no ocurrencia de un 5.
Sin embargo, incluso en este experimento el nmero
de elementos puede ser igual a todos los nmeros
enteros, de manera que hay un primer elemento, un
segundo, un tercero y as sucesivamente, y en este
sentido se pueden contar.
10

CONCEPTO DE VARIABLE ALEATORIA

(continuacin)
Hay casos en los que la variable aleatoria es
categrica por naturaleza y se utilizan las llamadas
variables ficticias o indicadoras.
Un buen ejemplo de ello es el caso en que la variable
aleatoria es binaria por naturaleza, como se indica a
continuacin:
Ejemplo 3.3 W
Considere la condicin en que los componentes
llegan de la lnea de ensamble y se clasifican como
no conformes y conformes. Defina la variable
aleatoria X mediante
1, |||| si _ el _ componente _ es _ no _ conforme
X
||||||||||
0, |||| si _ el _ componente _ es _ conforme
11

CONCEPTO DE VARIABLE ALEATORIA

(continuacin)
Ejemplo 3.4 W
Los estadsticos utilizan planes de muestreo ya
sea para aceptar o para rechazar lotes de
materiales. Suponga que uno de los planes de
muestreo implica el muestreo independiente de 10
artculos de un lote de 100 de ellos, donde hay 12
no conformes.
Sea X la variable aleatoria definida como el
nmero de artculos que estn no conformes en la
muestra de 10. En este caso, la variable aleatoria
toma los valores de 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10.
12

CONCEPTO DE VARIABLE ALEATORIA

(continuacin)

Ejemplo 3.5 W

Suponga que un plan de muestreo implica el muestro

de artculos hasta cuando se encuentre uno no
conforme.
La evaluacin del proceso depender de cuantos
artculos consecutivos se observan.
En este aspecto, sea X una variable aleatoria que se
define como el nmero de artculos observados hasta
cuando salga uno no conforme.
Se asigna N a conforme y D a no conforme; los
espacios mustrales son S = (D) dado que X = 1
S = (ND) dado que X = 2, S = (NND) dado que X = 3,
S = (NNND) dado que X = 4, y as sucesivamente.
13

CONCEPTO DE VARIABLE ALEATORIA

(continuacin)
Ejemplo 3.6 W
El inters se centra en la proporcin de personas
que responden a cierta encuesta por correo. Sea X
tal proporcin. X es una variable aleatoria que
toma todos los valores de x para los cuales
0 <= x <= 1.

Ejemplo 3.7 W
Sea X la variable aleatoria definida como el tiempo
de espera, en horas, entre conductores sucesivos
que exceden los lmites de velocidad detectados
por una unidad de radar. La variable aleatoria X
toma los valores de x tales que x >= 0.
14

CONCEPTO DE VARIABLE ALEATORIA

(continuacin)
Si un espacio muestral contiene un nmero
finito de posibilidades, o una serie
interminable con tantos elementos como
nmeros enteros existen, se llama espacio
muestral discreto.
Si un espacio muestral contiene un nmero
infinito de posibilidades igual al nmero de
puntos en un segmento de lnea, se le llama
espacio muestral continuo.
15

CONCEPTO DE VARIABLE ALEATORIA

(continuacin)
Una variable aleatoria se llama variable
aleatoria discreta si se puede contar su
conjunto de resultados posibles, como en
los ejemplos 3.1 W, 3.2 W, 3.3 W, 3.4 W y
3.5 W .
Cuando una variable aleatoria puede tomar
valores en una escala continua, se
denomina variable aleatoria continua,
como en los ejemplos 3.6 W y 3.7 W.
16

DISTRIBUCIONES DISCRETAS
DE PROBABILIDAD
Una variable aleatoria discreta toma cada uno de sus valores
con cierta probabilidad.
Al lanzar una moneda 3 veces, la variable X, que representa
el nmero de caras, toma el valor de 2 con probabilidad de
3/8, pues 3 de los puntos mustrales igualmente probables
tienen como resultado 2 caras y un sello.
Elementos del
espacio muestral

SSS SSC SCS

CSS

CCS CSC SCC

CCC

Ley de
correspondencia

# de caras
Probabilidad

3
17

caras

DISTRIBUCIONES DISCRETAS DE
PROBABILIDAD (continuacin)

Si se suponen pesos iguales para los eventos

simples del ejemplo 3-2 W, la probabilidad de
que ningn empleado obtenga de vuelta su
casco correcto, es decir, la probabilidad de que
M tome el valor cero es 1/3. Los valores
posibles m de M y sus probabilidades son:

Note que los valores de m agotan todos los

casos posibles y por ello las probabilidades
suman 1.
18
8

DISTRIBUCIONES DISCRETAS DE
PROBABILIDAD (continuacin)

Con frecuencia es conveniente representar todas las

probabilidades de una variable aleatoria X usando una frmula, la
cual necesariamente sera una funcin de los valores numricos x
que denotamos con f(x), g(x), r(x), y as sucesivamente.
Escribimos entonces, f(x) = P(X = x); es decir, f(3) = P(X = 3).
El conjunto de pares ordenados (x, f(x)) se llama funcin de
probabilidad o funcin de masa de probabilidad o
distribucin de probabilidad de la variable aleatoria discreta X.
El conjunto de pares ordenados (x, f(x)) es una funcin de
probabilidades, una funcin de masa de probabilidad o una
distribucin de probabilidad de la variable aleatoria X si, para
cada resultado posible x,
1. ||| f ( x) 0

2. ||| f ( x) 1

| x
3. ||| P ( X x) f ( x)

19

DISTRIBUCIONES DISCRETAS DE
PROBABILIDAD (continuacin)

Ejemplo 3.8 W

Un embarque de 8 computadores similares para una tienda al

detalle contiene 3 que estn defectuosos. Si una escuela hace
una compra al azar de 2 de estos computadores, encuentre la
funcin de probabilidad para el nmero de defectuosos.
Solucin: Sea X una variable aleatoria cuyos valores x son los
nmeros posibles de computadores defectuosos que la escuela
compra. Entonces, x puede ser cualquiera de los nmeros 0, 1 y
2. As:
3 5

10
0 2
f ( 0) P ( X 0)
28
8

2

3 5

15
1 1
f (1) P ( X 1)
28
8

2
3 5

3
2 0
f ( 2) P ( X 2)
28
8

2

De manera que la funcin

de probabilidad de X es:

f ( x) P( X x)

3

x

2 x
para x 0,1,2
8

20
2

DISTRIBUCIONES DISCRETAS DE
PROBABILIDAD (continuacin)
Ejemplo 3.9 W
Si una agencia automotriz vende el 50% de su inventario de
cierto vehculo extranjero equipado con bolsas de aire, encuentre
una frmula para la distribucin de probabilidad del nmero de
automviles con bolsas de aire entre los siguientes 4 vehculos
que venda la agencia.
Solucin: Como la probabilidad de vender un automvil con
bolsas de aire es 0.5, los 24 = 16 puntos del espacio muestral
tienen la misma probabilidad de ocurrencia. El denominador para
todas las probabilidades y tambin para la funcin, es 16. El
evento de vender x modelos con bolsas de aire y 4 x sin bolsas
4
de aire puede ocurrir de x formas, donde x pude ser 0, 1, 2,

3, 4, entonces la distribucin de probabilidad:
f ( x) P ( X x) ||| es :

22

4

x
f ( x) , ||| para _ x 0, : 1, : 2, : 3, : 421.
16

DISTRIBUCIONES DISCRETAS DE
PROBABILIDAD (continuacin)
Hay muchos problemas donde queremos calcular la
probabilidad de que el valor observado de una
variable aleatoria X sea menor o igual que algn
nmero real x.
Al escribir F(x) = P(X x) para cualquier nmero real
x, definimos F(x) como la funcin de la
distribucin acumulada de la variable aleatoria X.

La funcin de la distribucin acumulada

F(x) de una variable aleatoria discreta X, con
distribucin de probabilidad f(x) es:
F ( x) P ( X x) f ( x), __ para __ x .
tx

22

DISTRIBUCIONES DISCRETAS DE
PROBABILIDAD (continuacin)

Ejemplo 3.10 W

Para el ejemplo 3.9 W, los valores de F(x) estn dados

por:

4

x
f ( x ) , ___ para _ x 0, _ 1, _ 2, _ 3, _ 4.
16
1
0,
F ( 0) P ( X 0)
1/16,
16
1
4
5
5/16,
F (1) P ( X 1)

F(X) =
11/16,
16 16 16
1
4
6 11
15/16,
F ( 2) P ( X 2)

1,
16 16 16 16
1
4
6
4 15
F (3) P ( X 3)

16 16 16 16 16
1
4
6
4
1 16
F ( 4) P ( X 4)

1.
16 16 16 16 16 16

para x < 0,
para 0 <= x < 1,
para 1 <= x < 2,
para 2 <= x < 3,
para 3 <= x < 4,
para x >= 4.

20

23

DISTRIBUCIONES DISCRETAS DE
PROBABILIDAD (continuacin)

= f(x)

3/8
1/4

1/16

1/4

1/16

24

DISTRIBUCIONES DISCRETAS DE
PROBABILIDAD (continuacin)
6/16
4/16
1/16

Probabilidad de x = f(x)

HISTOGRAMA DE PROBABILIDAD

5
25

Probabilidad de x = f(x)
1/16
4/16 6/16

DISTRIBUCIONES DISCRETAS DE
PROBABILIDAD (continuacin)

26

F(x) = P(X x) = f(x)

DISTRIBUCIONES DISCRETAS DE
PROBABILIDAD (continuacin)

11/16 =

1.2000

16/16 =
15/16 =

1.0000
0.8000

1.0000

0.9375

0.6875

5/16 =

0.6000
0.4000
1/16 =

0.3125

0.2000
0.0625

0.0000

0
1
2
3
4
Distribucin Acumulada Discreta
1

27

DISTRIBUCIN
UNIFORME DISCRETA
La ms simple de todas las
distribuciones de
probabilidad discreta es
aquella donde la variable
aleatoria toma cada uno de
sus valores con probabilidad
idntica.
28

DISTRIBUCIN UNIFORME DISCRETA

(continuacin)

Una variable aleatoria X es una variable aleatoria

uniforme discreta si cada uno de los n valores de su
rango, por ejemplo, x1, x2, x3,..., xn, tiene la misma
probabilidad, por lo 1
tanto

f x; n

xn

para x = x1, x2, x3,...,

Suponga que X es una variable aleatoria uniforme

b
discreta en los nmeros enteros consecutivos a, aa+1,
2
a+2, ..., b,

b a 1 1
1 n

b para
a 1 n
E X

x 2
2

i 1

12

i 1

Figura. Funcin de
masa de probabilidad
para una variable
aleatoria discreta
uniforme

29

DISTRIBUCIN UNIFORME DISCRETA

(continuacin)

Ejemplo 5.1 W
Cuando se selecciona al azar una bombilla
de luz de una caja que contiene una bombilla
de 40 watts, una de 60 watts, una de 75
watts y una de 100 watts, cada elemento del
espacio muestral S = {40, 60, 75, 100}
ocurre con probabilidad de . Por lo tanto
tenemos una distribucin uniforme, con

1
f ( x;4) , ____ x 40,60,75,100.
4
30

DISTRIBUCIN UNIFORME DISCRETA

(continuacin)

Ejemplo 5.2 W
Cuando se lanza un dado legal, cada
elemento del espacio muestral
S = {1, 2, 3, 4, 5, 6} ocurre con probabilidad
de 1/6. Por lo tanto, tenemos una
distribucin uniforme con

1
f ( x;6) , ____ x 1,2,3,4,5,6.
6
31

DISTRIBUCIN UNIFORME DISCRETA

(continuacin)

Ejemplo 5.3 W
Para el problema 5.2 W encontramos
que 1 2 3 4 5 6 6 1

3.5
6
2

b a 1 2 1 6 1 1 2 1
12

12

35
1.7078
12

1 3.5 2 2 3.5 2 3 3.5 2 4 3.5 2 5 3.5 2 6 3.5 2

6

32

17.5
35

1.7078
6
12

DISTRIBUCIN
BINOMIAL
Un ensayo que slo tiene dos resultados posibles

se usa con tanta frecuencia como bloque de

construccin de un experimento aleatorio que se
conoce como ensayo de Bernoulli.
Por lo general se supone que los ensayos que
constituyen el experimento aleatorio son
independientes.
Esto implica que el resultado de un ensayo no
afecta el resultado que se obtiene en cualquier otro
ensayo.
Adems, con frecuencia es razonable suponer que
la probabilidad de un xito en cada ensayo es
constante.
33

DISTRIBUCIN BINOMIAL
(continuacin)

Ejemplo: Las probabilidades de que un bit transmitido a

travs de un canal de transmisin digital se reciba con
error es 0.1. Suponga adems que los ensayos de
transmisin son independientes. Sea X el nmero de bits
con error en los siguientes 4 bits transmitidos. Determine
P(X = 2).
Solucin: E = bit con error; O = bit correcto.
P ( EEOO ) P ( E ) P ( E ) P (O) P (O )
P ( EEOO ) (0.1) 2 (0.9) 2 0.0081
p ( X 2) 6(0.0081) 0.0486

34

DISTRIBUCIN BINOMIAL (continuacin)

Un experimento aleatorio que consta de n ensayos
repetidos tales que:
1. Los ensayos son independientes,
2. cada ensayo produce nicamente dos resultados
posibles, etiquetados como xito o fracaso, y
3. la probabilidad de un xito en cada ensayo, denotado
como p, permanece constante,

se llama experimento binomial.

La variable aleatoria X que es igual al nmero de
ensayos que producen un xito tiene una
distribucin binomial con parmetros p y n = 1,
2,....
La funcin de masa de probabilidad de X es

n
n x
f x p x 1 p ,
x = 0, 1, ...,
x
n

35

DISTRIBUCIN BINOMIAL
(continuacin)

Si X es una variable aleatoria binomial con

parmetros
p y n,

E X n p

2 V X n p 1 p

. Figura. Ejemplo de una

distribucin binomial
con n = 20 y p = 0.5

36

DISTRIBUCIN BINOMIAL
(continuacin)

n
n x
f x p x 1 p
x

Distribucin Binomial para Valores

seleccionados de n y p
f(x)

x
37

DISTRIBUCIN BINOMIAL
(continuacin)
n
n x
x
f x p 1 p
x

38

DISTRIBUCIN BINOMIAL
(continuacin)
n
n x
x
f x p 1 p
x

39

DISTRIBUCIN BINOMIAL
(continuacin)
Ejemplo 5.4 W
La probabilidad de que cierto componente
sobreviva a una prueba de choque es 3/4.
Encuentre la probabilidad de que sobrevivan
exactamente 2 de los siguientes cuatro
componentes que se prueben.
Solucin: Supongamos que las pruebas son
independientes y como p = para cada una de
las 4 pruebas, obtenemos
f x

n
4
n x
x
p 1 p
x
2

3 1

4 4

4!

2!2!

32
27
4
4 128
40

DISTRIBUCIN BINOMIAL
(continuacin)
Ejemplo
5.5 W
La probabilidad de que un paciente se recupere de una rara
enfermedad sangunea es 0.4. Si se sabe que 15 personas contraen
tal enfermedad, cul es la probabilidad de que: a) sobrevivan al
menos 10; b) sobrevivan de 3 a 8; y c) sobrevivan exactamente 5?.

Solucin:
Respuesta a)

15
x
15 x
0.4 1 0.4
x 0 x
9

P( X 10) 1 P ( X 10) 1

P( X 10) 1 P ( X 10) 1 0.9662 0.0338

8
2
15
15
0.4 x 1 0.4 15 x 0.4 x 1 0.4 15 x
P
(3 Respuesta
X 8) b)
x 0 x
x 0 x
P (3 X 8) 0.9050 0.0271 0.8779

4
15
15
x
15 x
x
15 x
0.4 1 0.4
0.4 1 0.4
x 0 x
x 0 x
Respuesta
c)
P ( X 5) 0.4032 0.2173 0.1859
5

P ( X 5)

15
5
155
0.4 1 0.4
0.1859
5

P ( X 5)

41

DISTRIBUCIN BINOMIAL
(continuacin)
Ejemplo 5.6 W
Una cadena grande de tiendas al detalle compra cierto
tipo de dispositivo electrnico de un fabricante. El
fabricante indica que la tasa de defectos del dispositivo
es 3%.
a) El inspector de la cadena elige 20 artculos al azar de
un cargamento Cul es la probabilidad de que haya al
menos un artculo defectuoso entre estos 20?
b) Suponga que el detallista recibe 10 cargamentos en un
mes y que el inspector prueba aleatoriamente 20
dispositivos por cargamento Cul es la probabilidad
de que haya 3 cargamentos que contengan al menos
un dispositivo defectuoso?
42

DISTRIBUCIN BINOMIAL
(continuacin)
Solucin:
Denote con X el nmero de dispositivos defectuosos entre los
20. Esta X sigue una distribucin b(x; 20, 0.03). Por
consiguiente:
a) X = nmero de dispositivos
defectuosos entre los veinte
n
n x
P( X 1) 1 P ( X 0) 1 p x 1 p
x
20
0
20
P( X 1) 1 0.03 1 0.03 0.4562
0

b) Y = nmero de cargamentos que

contienen al menos un artculo defectuoso
Esta Y sigue una distribucin b(y; 10, 0.4562).
n
10
n y
3
7
p y 1 p 0.4562 1 0.4562 0.1602
y
3

P(Y 3)

43

DISTRIBUCIN BINOMIAL
(continuacin)

Taller en Clase 1: 4-17 M. Cada muestra de aire

tiene 10% de probabilidades de contener una
molcula rara particular. Suponga que las
muestras son independientes con respecto a la
presencia de la molcula rara X.
1. Encuentre la probabilidad de que en las
siguientes 18 muestras, exactamente dos
contengan la molcula rara.
2. Determine la probabilidad de que al menos
cuatro muestras contengan la molcula rara.
3. Determine la probabilidad de que 3 X 7.
44

DISTRIBUCIN BINOMIAL
(continuacin)
Taller en Clase 2: 5.8 W. Se conjetura que hay

impurezas en 30% del total de pozos de agua potable

de cierta comunidad rural. Para obtener algn
conocimiento del problema, se determina que debera
realizarse algn tipo de prueba. Es muy costoso probar
todos los pozos del rea, por lo que se eligieron 10
aleatoriamente para una prueba.
a) Utilizando la distribucin binomial, cul es la
probabilidad de que exactamente 3 pozos tengan
impurezas considerando que la conjetura es correcta?
b) Cul es la probabilidad de que ms de 3 pozos
tengan impurezas.
c) Suponga que 6 pozos tienen impurezas. Qu implica
esto respecto a la conjetura?
45

DISTRIBUCIN
GEOMTRICA

Considrese un experimento aleatorio que

guarda una estrecha relacin con el que se
utiliz en la definicin de la distribucin
binomial.
Suponga una serie de ensayos de Bernoulli
independientes con una probabilidad constante
p de un xito en cada ensayo.
Sin embargo, en lugar de mantener fijo el
nmero de ensayos, stos se realizan hasta
cuando se obtiene un xito.
Sea que la variable aleatoria X denote el
nmero de ensayos hasta el primer 46xito.

DISTRIBUCIN GEOMTRICA
Ejemplo: Las probabilidades
(continuacin)
de que un bit
transmitido a travs de un canal de transmisin digital
se reciba con error es 0.1. Suponga adems que los
ensayos de transmisin son independientes. Sea
que la variable aleatoria X denote el nmero de
ensayos hasta el primer xito. Determine P(X = 4).
Solucin: E = bit con error; O = bit correcto.

P (OOOE ) P (O) P (O) P (O) P( E )

P (OOOE ) (0.9)(0.9)( 0.9)(0.1)
P (OOOE ) (0.9) 3 (0.1) 0.0729
47

47

DISTRIBUCIN GEOMTRICA
(continuacin)
En una serie de ensayos Bernoulli
independientes, con probabilidad
constante p de un xito, sea que
la variable aleatoria X denote el
nmero de ensayos hasta el primer
xito. Entonces X tiene una
distribucin geomtrica con
parmetro px 1 y
f x 1 p p ,
x=1, 2, ...
48

48

DISTRIBUCIN GEOMTRICA

Si X es una variable aleatoria

geomtrica con parmetros p

1
E X
p

1 p
V X
p

. Figura. Distribucin

geomtrica para un
valor del parmetro p
de 0.1.

49

DISTRIBUCIN GEOMTRICA
(continuacin)

50

DISTRIBUCIN GEOMTRICA
(continuacin)

51

DISTRIBUCIN GEOMTRICA
(continuacin)

52

DISTRIBUCIN GEOMTRICA
(continuacin)
Ejemplo
4.19 M
La probabilidad de que un bit transmitido a travs de un canal
de transmisin digital se reciba con error es 0.1. Suponga que
las transmisiones son eventos independientes y sea que la
variable aleatoria X denote el nmero de bits transmitido hasta
el primer error.
Cul es P(X = 5), es decir, que el quinto bit transmitido tenga
error?
SOLUCIN:
Este evento puede denotarse como {OOOOE}, donde O denota
un bit correcto. Como los ensayos son independientes y la
probabilidad de una transmisin correcta es 0.9.
P(X = 5) = P(OOOOE) = (1 - p)X-1 p = (0.94)(0.1) = 0.066
Obsrvese de que hay cierta probabilidad de que X sea igual a
cualquier valor entero. As mismo, si el primer ensayo es un
xito, entonces X = 1. Por lo tanto, el rango de X es {1, 2, 3,..},
es decir, todos los enteros positivos.
53

DISTRIBUCIN GEOMTRICA
(continuacin)
Ejemplo 4.20 M
La probabilidad de que una oblea contenga una
partcula de contaminacin grande es 0.01. Si se
supone que las obleas son independientes, cul es la
probabilidad de que sea necesario analizar
exactamente 125 obleas antes de detectar una
partcula grande?

SOLUCIN:
Sea que X denote el nmero de muestras analizadas
hasta cuando se detecta una partcula grande.
Entonces X es una variable aleatoria geomtrica con p
= 0.01. La probabilidad pedida es:

P(X = 125) = (0.99)1240,01= 0.0029

54

DISTRIBUCIN GEOMTRICA
(continuacin)
Ejemplo 4.21 M
La probabilidad de que un bit transmitido a travs de un canal de
transmisin digital se reciba con error es 0.1. Suponga que las
transmisiones son eventos independientes y sea que la variable
aleatoria X denote el nmero de bits transmitido hasta el primer
error.
a) Cul es el nmero promedio de transmisiones hasta el primer
error?
b) Cul es su desviacin estndar?
SOLUCIN:
c) El nmero promedio de transmisiones hasta el primer error es

1
1
E X
10
p 0. 1

d) La desviacin estndar del nmero de transmisiones antes del

primer error es

1 p
p

1 - 0.1

9.49
2
55
0 .1

DISTRIBUCIN GEOMTRICA
(continuacin)
Taller en Clase
1: 4.22 M.
La probabilidad de que un bit transmitido a
travs de un canal de transmisin digital se
reciba con error es 0.1. Suponga que las
transmisiones son eventos independientes y
sea que la variable aleatoria X denote el
nmero de bits transmitido hasta el primer
error.
Suponga que se han transmitido 50 bits. Cul
es el nmero promedio de bits, hasta el
siguiente error?. Comprelo con los resultados
del ejemplo 4.21 M
1
1
E X
10
Respuesta:
56
p

0.1

DISTRIBUCIN GEOMTRICA
Taller en Clase(continuacin)
2: 4.63 M.
La probabilidad de una alineacin ptica de xito en
el ensamble de un producto de almacenamiento
ptico de datos es 0,8. Suponga que los ensayos son
independientes.
a) Cul es la probabilidad de que la primera alineacin
de xito requiera exactamente cuatro ensayos?
b) Cul es la probabilidad de que la primera alineacin
de xito requiera a lo sumo cuatro ensayos?
c) Cul es la probabilidad de que la primera alineacin
de xito requiera al menos cuatro ensayos?

) Respuestas: a) 0,0064; b) 0,9984; c) 0,008

57

DISTRIBUCIN BINOMIAL
NEGATIVA
Una generalizacin de una distribucin
geomtrica en la que la variable
aleatoria es el nmero de ensayos de
Bernoulli requeridos para obtener r
xitos resulta en la distribucin
binomial negativa.

58

DISTRIBUCIN BINOMIAL NEGATIVA

Ejemplo 4.23 M (continuacin)

Suponga que la probabilidad de que un bit transmitido a travs de un

canal de transmisin digital se reciba con error es 0.1. Suponga que las
transmisiones son eventos independientes, y sea que la variable
aleatoria X = 10 denote el nmero de bits transmitido hasta el cuarto
error. Entonces, X tiene una distribucin binomial negativa con r = 4.
Las probabilidades que involucran a X pueden encontrarse como
sigue: P(X = 10) es la probabilidad de que ocurran exactamente 3
errores en los 9 primeros ensayos y que el ensayo 10 sea el cuarto
error. La probabilidad de que ocurran exactamente 3 errores en los 9
primeros ensayos se determina a partir de la distribucin binomial
como
9
3
6

0.1 0.9

Puesto que los ensayos son independientes, la probabilidad de que

ocurran exactamente 3 errores en los 9 primeros ensayos y que el
ensayo 10 sea el cuarto error es el producto de la probabilidad de
9
9
3
6
4
6
estos dos eventos, es decir,

0
.
1
0
.
9
0
.
1

0
.
1
0
.
9

59

DISTRIBUCIN BINOMIAL NEGATIVA

(continuacin)

El resultado del ejemplo 4.23 M

puede generalizarse as:

En una serie de ensayos Bernoulli

independientes, con probabilidad constante
p de un xito, sea que la variable aleatoria
X denote el nmero de ensayos hasta que
ocurran r xitos. Entonces X tiene una
distribucin binomial negativa con
parmetro p y r = 1, 2, 3, ..., y
x 1
xr
r

f x
1 p p
Para x = r, r+1,

r+2, ...
r 1
60

DISTRIBUCIN BINOMIAL NEGATIVA

(continuacin)

Si X es una variable aleatoria binomial

negativa con parmetros p y r,
entonces

r
E X
p

r 1 p
V X
2
p
2

La distribucin binomial negativa

es una generalizacin de la
distribucin geomtrica en la que la
variable aleatoria es el nmero de
ensayos Bernoulli requeridos para
obtener r xitos.
61

DISTRIBUCIN BINOMIAL NEGATIVA

(continuacin)

Ejemplo 5.17 W

En la serie de campeonato de la NBA, el equipo que gana 4

juegos de 7 ser el ganador. Suponga que el equipo A tiene
una probabilidad de 0.55 de ganarle al equipo B, y que
ambos equipos A y B, se enfrentarn entre s en los juegos
de campeonato.
a) Cul es la probabilidad de que el equipo A gane la serie
en el 6 juegos?
b) Cul es la probabilidad de que el equipo A gane la serie?
c) Si ambos equipos se enfrentan entre s en una serie
regional de play-off y el ganador es el que gana 3 de 5
juegos, cul es la probabilidad de que el equipo A gane el
juego de play-off?
62

DISTRIBUCIN BINOMIAL NEGATIVA

(continuacin)
Solucin:
a) Se tiene:

x 1
5
x r
r
1 p p 1 0.55 6 4 0.554 0.1853
f x
r 1
3

b) P(el equipo A gane la serie de campeonato) es:

b * (4 : 4,0.55) b * (5 : 4,0.55) b * (6 : 4,0.55) b * (7 : 4,0.55)
3
4
5
6
1 0.55 4 4 0.554 1 0.55 5 4 0.554 1 0.55 6 4 0.554 1 0.55 7 4 0.554
3
3
3
3
0.0915 0.1647 0.1853 0.1668 0.6083

c) P(el equipo A gane el juego de play-off) es:

b * (3 : 3,0.55) b * (4 : 3,0.55) b * (5 : 3,0.55)
2
3
4
3 3
4 3
3
3
1 0.55 0.55 1 0.55 0.55 1 0.55 53 0.553
2
2
2
63
0.1664 0.2246 0.2021 0.5931

DISTRIBUCIN BINOMIAL NEGATIVA

(continuacin)
Ejemplo 4.24 M

Un avin de alto rendimiento contiene tres computadoras idnticas. Se utiliza nicamente

una para operar el avin; las dos restantes son repuestos que pueden activarse en caso de
que el sistema primario falle. Durante una hora de operacin, la probabilidad de una falla en
la computadora primaria ( o de cualquiera de los sistemas de repuesto activados) es
0.0005. Suponiendo que cada hora representa un ensayo independiente, cul es el tiempo
promedio para que fallen las tres computadoras?
Sea que X denote el nmero de horas hasta cuando los tres sistemas fallen, y sea que X1,
X2 y X3 denoten el nmero de horas de operacin antes de una falla de la primera, la
segunda y la tercera computadoras usadas, respectivamente. Entonces X = X1 + X2 + X3.
Adems que las horas comprenden ensayos independientes con probabilidad constante de
falla p = 0.0005. Por otra parte, una computadora de repuesto no es afectada por la
r
cantidad de tiempo que transcurra antes de activarse. Por consiguiente, X tiene una
E X
distribucin binomial negativa con p = 0.0005 y r = 3. En consecuencia,
p
E(X) = 3 / 0.0005 = 6000 horas
Cul es la probabilidad de que las 3 computadoras fallen en un vuelo de 5 horas?
La probabilidad pedida es P(X <= 5) y
P(X <= 5) = P(X = 3) + P(X = 4) + P(X = 5)

2
3
4
0
1
2
1 0.0005 0.00053 1 0.0005 0.00053 1 0.0005 0.00053
2
2
2
64
P X 5 1.25 10 10 3.75 10 10 7.49 10 10 1.249 10 9
P X 5

DISTRIBUCIN BINOMIAL NEGATIVA

(continuacin)

Taller en Clase 1: 4.69 M.

Suponga que X es una variable
aleatoria binomial negativa con p = 0,2
y r = 4. Determine lo siguiente:
a) E(X)
b) V(X)
c) P(X=20)
d) P(X=19)
e) P(X=21)
65

DISTRIBUCIN
HIPERGEOMTRICA
Ejemplo 4.8 M: La produccin de un da de 850 piezas

manufacturadas contiene 50 piezas que no cumplen con los

requerimientos del cliente. Se seleccionan 2 piezas, al azar y sin
reemplazo, de la produccin de un da. Cul es la probabilidad
de que en la muestra haya 2 piezas que no cumplan con los
requerimientos?
Este experimento consta de 2 ensayos: se selecciona la primera
pieza y luego se selecciona la segunda. Si embargo, este
experimento presenta diferencias fundamentales con los ejemplos
basados en la distribucin binomial.
En este experimento, los ensayos no son independientes.
Obsrvese que en el inusual caso de que se hiciera el reemplazo
de cada unidad seleccionada antes de la siguiente seleccin, los
ensayos seran independientes y la probabilidad de que una pieza
no cumpla en cada ensayo sera constante.
En tal caso, el nmero de piezas de la muestra que no cumplen,
66
es una variable aleatoria binomial.

DISTRIBUCIN HIPERGEOMTRICA
(continuacin)
Sea que A y B denoten los eventos de que la primera y la

segunda pieza no cumplen, respectivamente; luego

P(A) = 50 / 850 = 0,0588 y P(B | A) =49 / 849 = 0,0577.
Por consiguiente, saber que la primera pieza no cumple,
sugiere que es menos factible que la segunda pieza
seleccionada no cumpla con los requerimientos del cliente.
Sea X igual al nmero de piezas de la muestra que no
cumplen. Entonces,
P(X = 0) = P(ambas piezas cumplen)
= (800 / 850)(799 / 849) = 0.886
P(X = 1) = P(la primera pieza cumple y la segunda no, o
la primera pieza no cumple y la segunda si)
= (800 / 850) (50 / 849) + (50 / 850)(800 / 849) = 0.111
P(X = 2) = P(ambas partes no cumplen)
= (50 / 850)(49 / 849) = 0.0034
67

DISTRIBUCIN HIPERGEOMTRICA
(continuacin)
Un conjunto de N objetos contiene
K objetos clasificados como xitos y
N K objetos clasificados como fracasos
Se seleccionan una muestra con tamao de n
objetos al azar (sin reemplazo) de los N objetos,
donde K N
y n N.
Sea que la variable aleatoria X denote el nmero
de xitos en la muestra. Entonces X tiene una
distribucin hipergeomtrica y
f x

K

x

N K

nx
N

n

x = mx {0, n + K N} hasta
mn. {K, n}

68

DISTRIBUCIN HIPERGEOMTRICA
(continuacin)
Si X es una variable aleatoria hipergeomtrica con parmetros
N, K y n, entonces la media y la varianza de X son:

E X n p

donde p = K /
N.

A la expresin

N n
V X n p 1 p

N 1
2

N n

N 1

se le conoce como factor de correccin

para poblaciones finitas.
69

DISTRIBUCIN HIPERGEOMTRICA
(continuacin)
Ejemplo 4.25 M
En el ejemplo 4.8 M, la produccin de un da de 850 piezas
manufacturadas contiene 50 piezas que no cumplen con los
requerimientos del cliente. Se seleccionan 2 piezas, al azar y sin
reemplazo, de la produccin de un da. Cul es la probabilidad de que
en la muestra haya x piezas que no cumplan con los requerimientos?
x = 0, 1, 2
50 800

319600
0 2

P ( X 0)

0.886
360825
850

50 800

40000
1 1

P ( X 1)

0.111
850
360825

50 800

1225
2 0

P ( X 2)

0.003
850
360825

f x

K

x

70

N K

nx
N

n

DISTRIBUCIN HIPERGEOMTRICA
(continuacin)
Ejemplo 4.26 M

Un lote contiene 100 piezas de un proveedor de tubera local y 200 unidades de

un proveedor de otra ciudad. Si se seleccionan 4 piezas al azar y sin reemplazo,
a) Cul es la probabilidad de que todas sean del proveedor local?
K N K
100 200

x nx

4 0 0.0119
f x
P
(
X

4
)

N
300

n
4
b)

c)

100 de
200
dos
100o ms
200piezas
100sean
200del
proveedor
Cul es la probabilidad
que

2 2 3 1 4 0
local?

P ( X 2)

0.408
300
300
300

4
4
4
100 200

0
4

Cul es la probabilidad
muestra sea del
P ( X 1) 1 deP (que
X al0)menos
1 una pieza de la
0.804
300
proveedor local?

71

DISTRIBUCIN HIPERGEOMTRICA
(continuacin)
Ejemplo 4.27 M
Un lote contiene 100 piezas de un proveedor de tubera local
y 200 unidades de un proveedor de otra ciudad. Si se
seleccionan 4 piezas al azar y sin reemplazo,
a) Cul es la media para el proveedor local?
b) Cul es la varianza para el proveedor local?

Sea la variable aleatoria X el nmero de piezas de la

muestra del proveedor local. Entonces p = 100 / 300 = 1/3.
por lo tanto:

1
E X n p 4 1.33
3

a)
b)

1 2 300 4
N n
V X n p 1 p
0.88
4
3 3 300 1
N 1
2

72

DISTRIBUCIN DE
POISSON

Ejemplo 4.29 M

Considere la transmisin de n bits en un canal de comunicacin

digital. Sea la variable aleatoria X igual al nmero de bits con error.
Cuando la probabilidad de que un bit tenga un error es constante y las
transmisiones son independientes, X tiene una distribucin binomial.
Sea que p denote la probabilidad de que un bit tenga un error.
Entonces, E(X) = pn.
Ahora bien, suponga que el nmero de bits transmitido aumenta y que
la probabilidad de un error disminuye justo lo suficiente para que pn se
mantenga igual a una constante, digamos , o sea = pn. Es decir, n
se incrementa y p decrece consecuentemente, de tal modo que la E(X)
permanece constante. Entonces, p = / n
x

n
n
P ( X x) p x (1 p ) n x 1
n
x
x n

Se pude demostrar que

e x
lm n P ( X x )
, _____ x 73
0,1,2,....
x!

n x

DISTRIBUCIN DE POISSON
(continuacin)

Ejemplo 4.30 M

Se presentan imperfecciones aleatoriamente a lo largo de

un alambre delgado de cobre. Sea que X denote la variable
aleatoria que cuenta el nmero de imperfecciones en una
longitud de L milmetros de alambre, y suponga que el
nmero promedio de imperfecciones en L milmetros es .
Se hace la particin de la longitud del alambre en n
subintervalos de longitud pequea, digamos, un micrn
(milsima de milmetro) cada uno. Si este subintervalo es lo
suficientemente pequeo, la probabilidad de que ocurra ms
de una imperfeccin en el subintervalo es despreciable.
Como se supuso que las imperfecciones ocurren
aleatoriamente, se puede interpretar de que cada intervalo
tiene la misma probabilidad de contener una imperfeccin,
74
digamos, p.

DISTRIBUCIN DE POISSON
(continuacin)

Supngase que la probabilidad de que un subintervalo

contenga una imperfeccin es independiente de otros
subintervalos, entonces el modelo de la distribucin de X
puede establecerse aproximadamente como una variable
aleatoria binomial. Puesto que
E(X) = = np
se obtiene
p=/n
Es decir, la probabilidad de que un subintervalo contenga
una imperfeccin es / n. Con subintervalos lo
suficientemente pequeos, n es muy grande y p es muy
pequea. Por lo tanto, la distribucin de X se obtiene como
en el ejemplo anterior.
75

DISTRIBUCIN DE POISSON (continuacin)

Dado un intervalo de nmeros reales, suponga que ocurren
conteos al azar a lo largo del intervalo. Si puede hacerse la
particin del intervalo en subintervalos con una longitud
suficientemente pequea tal que
1.- La probabilidad de ms de un conteo en un subintervalo
es cero,
2.- La probabilidad de un conteo en un intervalo es la
misma para todos los subintervalos y proporcional a la
longitud del intervalo, y
3.- El conteo en cada subintervalo es independiente de los
dems subintervalos, entonces el experimento aleatorios
se denomina proceso de Poisson.
Si el nmero promedio de conteos en el intervalo es
la variable aleatoria X, que es igual al nmero de conteos
en el intervalo, tiene una distribucin
de Poisson con
e x
parmetro la funcin
f x de
masa de ,probabilidad de X es

x!

x = 0, 1, 2, ...
76

DISTRIBUCIN DE POISSON (continuacin)

77

DISTRIBUCIN DE POISSON
(continuacin)

78

DISTRIBUCIN DE POISSON
(continuacin)

79

DISTRIBUCIN DE POISSON
(continuacin)

80

DISTRIBUCIN DE POISSON
(continuacin)

81

DISTRIBUCIN DE POISSON
(continuacin)

82

DISTRIBUCIN DE POISSON
(continuacin)

83

DISTRIBUCIN DE POISSON
(continuacin)
Si X es una variable aleatoria de
Poisson con parmetro entonces
la media y la varianza de X son

= E(X) =

2 = V(X) =

84

DISTRIBUCIN DE POISSON
(continuacin)

Es importante usar unidades consistentes en el

clculo de probabilidades, medias y varianzas
cuando se trabaja con variables aleatorias de Poisson.
Por ejemplo, si el nmero promedio de imperfecciones
por mm de alambre es 3.4, entonces:
el nmero promedio de imperfecciones en 10 mm de alambre
es 34, y
el nmero promedio de imperfecciones en 100 mm de
alambre es 340.

Si una variable aleatoria de Poisson representa el

nmero de conteo en cierto intervalo, entonces la
media de la variable aleatoria debe ser igual al
nmero esperado de conteos en la misma longitud del
intervalo.
85

DISTRIBUCIN DE POISSON
(continuacin)
Ejemplo 4.31 M

Para el caso del alambre delgado de cobre, suponga que el nmero de

imperfecciones sigue una distribucin de Poisson con una media de 2.3
imperfecciones por milmetro. Determine la probabilidad de exactamente 2
imperfecciones en un milmetro de alambre.
Sea que X denote el nmero de imperfecciones en un mm de alambre. Entonces
E(X) = 2.3 imperfecciones y

x
2.3
2

f x

,
x!

P ( X 2)

2. 3
0.265
2!

Determine la probabilidad de 10 imperfecciones en 5 mm de alambre. Sea que X

denote el nmero de imperfecciones en 5 mm de alambre. Entonces, X tiene una
distribucin de Poisson con
E(X) = 5 mm * 2.3 imperfecciones/mm = 11.5 imperfecciones
Por lo tanto, P(x = 10) = e-11.5 11.510 / 10! = 0.113
Determine la probabilidad de al menos una imperfeccin en 2 mm de alambre. Sea
que X denote el nmero de imperfecciones en 2 mm de alambre. Entonces X tiene
una distribucin de Poisson con,
E(X) = 2 mm * 2.3 imperfecciones/mm = 4.6 imperfecciones
Por lo tanto,
86
P ( X 1) 1 P ( X 0) 1 e 4.6 0.9899

DISTRIBUCIN DE POISSON
(continuacin)
Ejemplo
4.32 M

La contaminacin constituye un problema en la fabricacin de discos de

almacenamiento ptico. El nmero de partculas de contaminacin que ocurre en un
disco ptico tiene una distribucin de Poisson y el nmero promedio de partculas
por centmetro cuadrado de superficie del disco es 0.1. El rea del disco bajo estudio
es de 100 cm2. Encuentre la probabilidad de que ocurran 12 partculas en el rea del
disco bajo estudio.
Sea que X denote el nmero de partculas en el rea del disco bajo estudio. Puesto
que el nmero promedio de partculas es de 0.1 por cm2
E(X) = 100 cm2 x 0.1 partculas/cm2 = 10 partculas
10
12
Por lo tanto,

f x

,
x!

e 10
P ( X 12)
0.095
12!

La probabilidad de que ocurran cero partculas en el rea del disco bajo estudio es
P(X = 0) = e-10 = 4.54 x 10-5
Determine la probabilidad de que 12 o menos partculas ocurran en el rea del disco
bajo estudio. La probabilidad es

e 10 10 x
P( X 12) P( X 0) P( X 1) ... P( X 12)
0.791
x!
x 0
12

87

DISTRIBUCIONES CONTINUAS DE
PROBABILIDAD
Una variable aleatoria continua tiene una probabilidad

cero de tomar exactamente cualquiera de sus valores.

En consecuencia, su distribucin de probabilidad no se
puede dar en forma tabular.
Ejemplo: Considrese una variable aleatoria cuyos
valores son las alturas de toda la gente mayor de 21
aos. Entre dos valores cualesquiera, digamos 163.5 y
164.5 cm, o incluso entre 163.99 y 164.01 cm, hay un
nmero infinito de alturas, una de las cuales es 164 cm.
Es remota la probabilidad de seleccionar al azar a alguien
que tenga exactamente 164 cm de estatura y no sea del
conjunto infinitamente grande de estaturas tan cercanas a
164 cm, que humanamente no sea posible medir la
diferencia; por ello, asignamos una probabilidad cero a
88
tal evento.

DISTRIBUCIONES CONTINUAS DE
PROBABILIDAD (continuacin)
En este caso, sin embargo, si nos referimos a la
probabilidad de seleccionar a una persona que, al
menos mida 163 cm pero no ms de 165 cm de
estatura, tratamos ahora con un intervalo en vez
de un valor puntual de nuestra variable aleatoria.
Trataremos el clculo de probabilidades para
varios intervalos de variables aleatorias continuas
como P(a < X < b), P(W >= c), etc.
Observe que cuando X es continua,

P ( a X b) P ( a X b) P ( X b) P ( a X b)

Esto slo es cierto cuando la variable X es

continua.
89

89

DISTRIBUCIONES CONTINUAS DE
PROBABILIDAD (continuacin)

Aunque la distribucin de probabilidad de una

variable aleatoria continua no se puede
presentar de forma tabular, si se establece una
frmula, la cual ser necesariamente una
funcin de los valores numricos de la variable
aleatoria continua X y como tal se representa
mediante la notacin funcional f(x).
Al tratar con variables continuas, f(x) por lo
general, se llama funcin de densidad de
probabilidad, o simplemente funcin de
densidad de X.
90

DISTRIBUCIONES CONTINUAS DE PROBABILIDAD

(continuacin)
Para una variable aleatoria continua X, una
funcin de densidad de probabilidad es
unaf funcin
taltoda
que:x R
x 0 para
1.
f(x)

2.

f x dx 1

3.

P a X b f x dx rea bajo la curva

f x
x

a b.

de a

La funcin de distribucin acumulada F(x) de

una variable aleatoria continua X con funcin de
densidad f(x) es x

F x P X x

f t dt

Para x

91

DISTRIBUCIONES CONTINUAS DE
PROBABILIDAD (continuacin)
Ejemplo 3.11 W
Suponga que el error de la temperatura de reaccin, en oC,
para un experimento de laboratorio controlado, es una
variable aleatoria continua X, que tiene la funcin de
densidad de probabilidad
x2
3 , ________________ 1 x 2,
f ( x)
0, ___ en _ cualquier _ otro _ caso.

a) Verifique la condicin 2 de la definicin de f(x).

b) Encuentre P(0 < X <= 1).
2
2
) Solucin:

2 x
x3
8 1
a ) __

f ( x)dx

b) __ P(0 X 1)

dx

x2
x3
dx
3
9

1
9

92

DISTRIBUCIONES CONTINUAS DE PROBABILIDAD (continuacin)

Ejemplo 3.12 W
Para la funcin de densidad del ejemplo 3.11 W
encuentre F(x), y utilcela para evaluar P(0 < X <= 1).
Solucin: Para -1 < x < 2.
F ( x)

t2
t3
f (t )dt dt
1 3
9
x

x3 1

9
1

Por _ lo _ tan to,

0, _____________ x 1,
x3 1
, _______ 1 x 2,

9
F ( x)
1, ____________ x 2.

La distribucin acumulada F(x) se expresa de forma

grfica en esta figura. As:
2 1 1 como en el ejemplo 3.11 W.
P(0 X 1) F (1) F (0)
9 9

93

DISTRIBUCIONES CONTINUAS DE
PROBABILIDAD (continuacin)
Ejemplo 3.13 W
El Departamento de Energa (DE) asigna proyectos
mediante licitacin y, por lo general, estima lo que debera
ser una licitacin razonable. Sea b el estimado. El DE
determin que la funcin de densidad de la licitacin
ganadora (baja) es 5
2

8b , ________________ 5 b y 2b,
f ( y)
0, ___ en _ cualquier _ otro _ caso.

Encuentre F(y) y utilcela para determinar la probabilidad de

que la licitacin ganadora sea menor que la estimacin b
preliminar del DE.
94

DISTRIBUCIONES CONTINUAS DE
PROBABILIDAD (continuacin)
2
b y 2b,
Solucin: Para
5
F ( y)

5
5t
dt

2b / 5 8b
8b
y

2b / 5

5y 1

8b
4

De _ manera _ que
0, _____________ y

2
b,
5

F(y) = 5 y 1 , _______ 2 b y 2b,

4
5
F ( y ) 8b
1, ____________ y 2b.

Para determinar la probabilidad de que la licitacin

ganadora sea menor que la estimacin b, se tiene:
5 1
3
P (Y b) F (b)
8 4
8

95

DISTRIBUCIONES CONTINUAS DE PROBABILIDAD

(continuacin)
Suponga que X es una variable aleatoria continua con
f x
funcin de densidad de probabilidad
La media o valor esperado de X, denotada como o

E(X) es:

E X

x f x dx

La varianza de X, denotada como o V(X) es:

2 VX

f x dx

La desviacin estndar de X es =[V(X)]1/2.

. Un histograma es una
aproximacin de una
funcin de densidad
de probabilidad
96

DISTRIBUCIN UNIFORME CONTINUA

Una variable aleatoria continua X con funcin de
densidad de probabilidad

1
f x
, a xb
ba

tiene una distribucin continua uniforme.

2

a
2 VX

b a
E X

12

f(x)
Funcin de densidad
de probabilidad
continua uniforme.

97

DISTRIBUCIN UNIFORME CONTINUA

(continuacin)

Ejemplo 5.8 M
Sea que la variable aleatoria continua X denote la corriente
media de un alambre delgado de cobre en miliamperios.
Suponga que el rango de X es [0, 20 mA], y suponga que la
funcin de densidad de probabilidad es,
f(x) = 0.05,
0<= x <=20.
Cul es la probabilidad de que una medicin de la corriente
est entre 5 y 10 miliamperios?
10

P (5 X 10) f ( x)dx 5(0.05) 0.25

5

f(x)
0
5 10 15 20 x
Adems,
E(X) = 10 mA y V(X)= 202 / 12 = 33.33 mA2
Por consiguiente la desviacin estndar de X es 5.77
mA.
98

DISTRIBUCIN UNIFORME CONTINUA

(continuacin)

La funcin de distribucin acumulada de

una variable aleatoria uniforme continua se
obtiene por integracin. Si a<x<b, entonces
F ( x)

1
xa
du
ba
ba

Por lo tanto la descripcin completa de la

funcin de distribucin acumulada de una
variable aleatoria uniforme continua es
_____ 0 __ para __ x a

xa
F ( x)
para ___ a x b
ba

_____ 1 __ para __ x b
99

DISTRIBUCIN NORMAL
Una variable aleatoria X con funcin de
densidad de probabilidad
1 x 2

1
f x
e 2
2

par x
a

tiene una distribucin normal con parmetros ,

donde

,
y Adems, 2

E X

VX

f(x)
Funcin de densidad
de probabilidad
normal

100

DISTRIBUCIN NORMAL (continuacin)

2 = 1

=5

101

DISTRIBUCIN NORMAL (continuacin)

2 = 4

=5

102

DISTRIBUCIN NORMAL (continuacin)

2 = 1

= 15

103

DISTRIBUCIN NORMAL (continuacin)

104

Distribucin normal estndar

A Una variable aleatoria normal con = 0 y 2 = 1 se
le llama variable aleatoria normal estndar. Una
variable aleatoria normal estndar se denota como Z.
Si X es una variable aleatoria normal con
E(X) = y V(X) = 2, entonces la
variable aleatoria
X
Z

es una variable aleatoria normal con E(Z) = 0 y

V(Z) = 1. Es decir, Z es una variable aleatoria normal
estndar.
Suponga que X es una variable aleatoria normal con media
y varianza 2.
X x
P X x P

P Z z
Entonces:


donde,
Z es una variable aleatoria normal estndar,
z = (x - es el valor z que se obtiene al
estandarizar X.
La probabilidad se obtiene introduciendo
105 el valor

DISTRIBUCIN NORMAL (continuacin)

68%
95%
99.7%

Probabilidades asociadas con una Distribucin

106Normal

DISTRIBUCIN NORMAL
(continuacin)

107

DISTRIBUCIN NORMAL
(continuacin)
Ejemplo 5.10 M
Suponga que Z es una variable aleatoria normal
estndar. Hay tablas que contienen las
probabilidades de la forma P(Z z). En la
siguiente figura se ilustra el uso de estas tablas
para encontrar P(Z 1.5). Se lee hacia abajo la
columna z hasta el rengln que es igual a 1.5. la
probabilidad se lee en la columna adyacente, con
el encabezado 0.00, como 0.933193.

108

P(Z<=1.5) = (1.5)

0 1.5

DISTRIBUCIN NORMAL
(continuacin)

Ejemplo 5.11 M

Encuentre las siguientes probabilidades con base en las

tablas de la distribucin normal estndar. En la prctica una
probabilidad suele redondearse a uno o dos dgitos
significativos.
1. P(Z > 1.26) = 1 P(Z < 1.26) = 1 0.896165 = 0,103835
2. P(Z< -0.86) = 0.194894
3. P(Z > -1.37) = P(Z < 1.37) = 0.914657
4. P(-1.25 < Z < 0.37). Esta probabilidad puede encontrarse
como la diferencia de dos reas, P(Z < 0.37) P(Z < - 1.25).
As: P(Z <0.37) = 0.644309 y P(Z < - 1.25) = 0.105650.
Por lo tanto,
P(-1.25 < Z < 0.37) = 0.644309 - 0.105650 = 0.538659.
109

DISTRIBUCIN NORMAL
(continuacin)

Ejemplo 5.12 M

Suponga que las mediciones de la corriente en una tira de

alambre siguen una distribucin normal con una media de 10
miliamperios y una varianza de 4 miliamperios2. Cul es la
probabilidad de que una medicin exceda 13 miliamperios?
Sea que X denote la corriente en miliamperios.
La probabilidad puede representarse como P(X>13)
Sea Z = (X / = (13 10)/ 2 = 1.5
Por lo tanto:
P(X>13) = P(Z>1.5) =1 P(Z<=1.5) = 1 - 0.933193 = 0.066807

110

DISTRIBUCIN NORMAL
(continuacin)
Ejemplo 5.13 M
Suponga que las mediciones de la corriente en una tira de
alambre siguen una distribucin normal con una media de 10
miliamperios y una varianza de 4 miliamperios2. Cul es la
probabilidad de que una medicin de la corriente est entre 9 y 11
miliamperios?
P(9 < X < 11) = P([9 10] / 2 < [X 10] /2 < [11 10] / 2)
P(9 < X < 11) = P(-0.5 < Z < 0.5)
P(9 < X < 11) = P(Z < 0.5) - P(Z < -0.5)
P(9 < X < 11) = 0.691462 0.308538 = 0.382924
Determine el valor para que la probabilidad de una medicin de
la corriente est bajo el valor de 0.98.
P(X<x) = P((X-10)/2 < (x-10)/2 = P(Z < (x-10)/2) = 0.98
P(X<2.05) = 0.979818 es la ms cercana, luego
(x 10)/2 = 2.05, por tanto x = 2(2.05) + 10 = 14.1 miliamperios.
111

DISTRIBUCIN NORMAL
(continuacin)
Ejemplo
5.14 M
Suponga que en la deteccin de una seal digital el ruido de fondo sigue
una distribucin normal con media de 0 voltios y una desviacin estndar de
0.45 voltios. Si el sistema asume que se ha transmitido un uno digital
cuando el voltaje excede 0.9, cul es la probabilidad de detectar un uno
digital cuando no se envi?
Sea que la variable aleatoria N denote el voltaje del ruido. La probabilidad
pedida (probabilidad de una deteccin falsa) es:
P(N > 0.9) = P(N / 0.45 > 0.9 / 0.45 = P(Z > 2)
P(Z > 2) = 1 P(Z 2) = 1 0.977250 = 0.022750
Determine los lmites simtricos alrededor de la media que incluyan al 99%
de todas las lecturas de ruido. El problema requiere encontrar x tal que
P(-x < N < x) = 0.99.
P(-x < N < x) = P(-x/0.45 < N/0.45 < x/0.45) = P(-x/0.45 < Z < x/0.45) = 0.99
1.00 - 0.99 = 0.01; 0.01 / 2 = 0.005.
Por la tabla normal P(-2.58 < Z < 2.58) = 0.99
Por lo tanto : para P(z) = 0.005; z = -2,58; para P(z) = 0.995; z = 2,58
x / 0.45 = 2.58 de donde x = 2.58(0.45) = 1.16
-x / 0.45 = -2.58 de donde x = -2.58(0.45) = -1.16
112

DISTRIBUCIN NORMAL
(continuacin)

86

Ejemplo 5.15 M

El dimetro de un eje en un propulsor de almacenamiento ptico, tiene una

distribucin normal con media 0.2508 pulgadas y una desviacin estndar de
0.0005 pulgadas. Las especificaciones de los ejes son 0.2500 0.0015
pulgadas. Qu proporcin de los ejes cumplen con las especificaciones?
Sea que X denote el dimetro del eje en pulgadas. La probabilidad media se
muestra en la figura.

0.2515 0.2508
0.2485 0.2508
Z

0
.
0005
0
.
0005

P(0.2485 X 0.2515) P(4.6 Z 1.4)

P(0.2485 X 0.2515) P

P(0.2485 X 0.2515) P( Z 1.4) P( Z 4.6)

P(0.2485 X 0.2515) 0.91924 0.00000 0.91924

0,2485

0,2500

0,2515

DISTRIBUCIN NORMAL
(continuacin)

Ejemplo 5.15 M (continuacin)

La mayora de los ejes que no cumplen son demasiado
grandes, debido a que la media del proceso se localiza
muy cerca del lmite superior de especificacin. Si el
proceso se centra de tal modo que su media sea igual al
valor especificado de 0.2500, entonces
0.2515 0.2500
0.2485 0.2500
P(0.2485 X 0.2515) P
Z

0.0005
0.0005

P(0.2485 X 0.2515) P (3 Z 3)
P(0.2485 X 0.2515) P ( Z 3) P( Z 3)
P(0.2485 X 0.2515) 0.99865 0.00135 0.9973

Al centrar nuevamente el proceso, el producto aumenta a

aproximadamente 99.73%.
114

DISTRIBUCIN
EXPONENCIAL
En
la exposicin de la distribucin de Poisson una variable aleatoria se

defini como el nmero de imperfecciones a lo largo de un alambre de

cobre. La distancia entre las imperfecciones es otra variable aleatoria
que suele ser de inters. Sea que la variable aleatoria X denote la
longitud desde cualquier punto inicial sobre el alambre hasta cuando se
detecta una imperfeccin.
En general la variable aleatoria N denota el nmero de imperfecciones
en x milmetros del alambre. Si el nmero promedio de imperfecciones
es por milmetro, entonces N tiene una distribucin de Poisson con
media x. Se supone que el alambre es ms largo que el valor de x.
Ahora bien
x
0

P ( X x) P( N 0)

( x )
e x
0!

Por _ lo _ tan to
F ( x) P ( X x) 1 e x , ___ x 0
Al _ deri var_ F ( x) _ la _ funcin _ de _ densidad _ es :
f ( x) e x , ___ x 0

115

DISTRIBUCIN EXPONENCIAL
La variable aleatoria X que es igual a la distancia
entre conteos sucesivos de un proceso de Poisson con
media >0 tiene una distribucin exponencial
con parmetro . La funcin de densidad de
probabilidad de X es
x
para 0 x <
f x e

Si la variable aleatoria X tiene una distribucin exponencial

Con parmetro , entonces

1
E X

1
VX 2

f(x)
Funcin de densidad
de probabilidad
exponencial
116

DISTRIBUCIN EXPONENCIAL
(continuacin)
Ejemplo 5.21 M
En una red de computadoras de una gran corporacin, el acceso de
usuario al sistema puede modelarse como un proceso de Poisson con
una media de 25 accesos por hora. Cul es la probabilidad de que no
haya acceso en un intervalo de 6 minutos?
Sea que X denote el tiempo en horas desde el principio del intervalo
hasta el primer acceso. Entonces, X tiene una distribucin exponencial
con = 25 accesos por hora.
6 minutos = 0.1 horas. La probabilidad pedida se indica en el rea
sombreada de la figura.

P( X 0.1) 25e 25 x dx e 25 x
0.1

e 25( 0.1) 0.082

0.1

Cul es la probabilidad de que el tiempo hasta el siguiente acceso est

entre 2 y 3 minutos?
0.05
0.05
25 x
25 x
P (0.033 X 0.05) 25e
dx e
0.152
0.033

0.033

P (0.033 X 0.05) F (0.5) F (0.33) 1 e ( 25*0.05) 1 e ( 25*0.033) 0.152

117

DISTRIBUCIN EXPONENCIAL
(continuacin)
Ejemplo 5.21 M (continuacin)
Determine el intervalo de tiempo tal que la probabilidad de que no
haya acceso en el intervalo sea 0.90. Se pide la longitud de tiempo x
tal que P(X>x) = 0.90. Ahora bien,

P( X x ) 25e 25t dt e 25t

x

e 25( x ) 0.90

Por lo tanto, despus de sacar logaritmo natural a ambos miembros

-25x ln(e) = ln(0,90)
-25x = -0,10536
x = 0.00421 horas = 0.25 minutos
Por otra parte, el tiempo promedio hasta el siguiente acceso es
= 1/25 = 0.04 horas = 2.4 minutos
La desviacin estndar del tiempo hasta el siguiente acceso es
= 1/25 = 0.04 horas = 2.4 minutos|
118

DISTRIBUCIN EXPONENCIAL
(continuacin)
Ejemplo
5.22 M
Sea que X denote el tiempo entre la deteccin de una partcula rara en un
contador Geiger y suponga que X tiene una distribucin exponencial con
(X)= 1.4 detecciones por minutos. La probabilidad de que se detecte una
partcula en un lapso de 30 segundos despus de activar el contador es,
= 1/E(X) = 1/1.4; luego, F(X) = P(X<0.5 min) = 1 - e-x = 1 - e-0.5/1.4 = 0,30
Suponga que se enciende el contador Geiger y que pasen 3 minutos sin
que se detecte ninguna partcula. Cul es la probabilidad de que se
detecte una partcula en los siguientes 30 segundos?
Como ya han transcurrido 3 minutos de espera, quizs se piense que uno
va a la segura, es decir, que la probabilidad de una deteccin positiva en
los siguientes 30 segundos deber ser mayor que 0.30. Sin embargo, para
una distribucin exponencial ste no es el caso. La probabilidad pedida
puede expresarse como la probabilidad condicional P(X<3.5 | X>3). Por la
definicin de probabilidad condicional,
P(X<3.5 | X>3) = P(3<X< 3.5) / P(X>3)
donde P(3<X< 3.5) = F(3.5) F(3) = [1 e-3.5/1.4] [1 e-3/1.4] = 0.0352
y
P(X>3) = e-3/1.4 = 0.1173
Por lo tanto
P(X<3.5 | X>3) = 0.0352 / 0.1173 = 0.30
119

APROXIMACIN NORMAL A LA DISTRIBUCIN BINOMIAL Y DE

POISSON

Si X es una variable aleatoria binomial con media =

np y varianza 2 = npq, entonces la forma limitante
de la distribucin de X n p

n pq

es aproximadamente una variable aleatoria normal

estndar n(z; 0, 1). La aproximacin es buena para
np>5 y n(1 - p)>5.
La distribucin normal con media = np y varianza
2 = np(1 - p), no slo ofrece una aproximacin
muy precisa a la distribucin binomial cuando n es grande y
p no est extremadamente cercana a 0 o a 1, sino que
tambin brinda una aproximacin bastante buena cuando n
sea pequea y p est razonablemente cercana a .
120

120

APROXIMACIN NORMAL A LA DISTRIBUCIN BINOMIAL Y

DE POISSON (continuacin)

Para ilustrar la aproximacin normal a la distribucin

binomial, primero dibujamos el histograma para b(x; 15, 0.4)
y despus superponemos la curva normal particular que
tenga la misma media y varianza que la variable binomial X.
De ah dibujamos una curva normal con
= np = (15)(0.4) = 6 y 2 = np(1-p) = (15)
(0.4)(0.6) = 3.6

121

APROXIMACIN NORMAL A LA
DISTRIBUCIN BINOMIAL Y DE POISSON
(continuacin)
Ejemplo 5.17 M
En un canal de comunicacin digital, suponga que el nmero de
bits recibidos con error puede modelarse con una variable
aleatoria binomial, y suponga que la probabilidad de que un bit
se reciba con error es 1 x 10-5. Si se transmites 16 millones de
bits. cul es la probabilidad de que ms de 150 presenten
errores?
Sea que la variable X denote el nmero de errores. Entonces X
es una variable aleatoria binomial y

16.000.000
5 x
5 16.000.00 x
P(X 150) 1 - P(X 150) 1 -
10 1 10
x

x 0
P(X 150) 0.771
150

El clculo de esta probabilidad en este caso es complejo y en

este caso se puede recurrir e la distribucin normal para obtener
una excelente aproximacin en este ejemplo.
122

APROXIMACIN NORMAL A LA DISTRIBUCIN

BINOMIAL Y DE POISSON (continuacin)
Ejemplo 5.18 M
El problema del canal de comunicaciones digital del
ejemplo anterior se resuelve como sigue:

X n p
Z
n pq

n.p = 1*10^(-5) * 16.000.000 = 160

x - 160

160(1 - 10-5 )

P(X 150) P

150 160

160(1 - 10-5 )

P(X 150) P(Z -0.79) P(Z 0.79) 0.785

Debido a que np = (16 x 106)(1 x 10-5) = 160 y
n(1 p) = 15.999.840, es mucho mayor que 5, es de
esperarse que la aproximacin funcione bien en este caso.
123

APROXIMACIN NORMAL A LA
DISTRIBUCIN BINOMIAL Y DE POISSON
(continuacin)
Ejemplo 5.19 M
Considrese de nuevo la transmisin de bits del ejemplo
5.17 M. Para juzgar qu tan bien funciona la aproximacin
normal, suponga que slo van a transmitirse n = 50 bits y
que la probabilidad de un error es p = 0.1. La probabilidad
exacta de que ocurran hasta 2 errores como mximo es:
50
50
50
0.1 0 1 0.1 50
0.1 1 1 0.1 49
0.1 2 1 0.1 48 0,11173
0
1
2

P( X 2)

Con base en la aproximacin normal,

x -5 25
P(X 2) P

P ( Z 1.415) 0.08
2.12 2.12
Incluso para una muestra de apenas 50 bits, la
aproximacin normal es razonable.
124

APROXIMACIN NORMAL A LA
DISTRIBUCIN BINOMIAL Y DE
POISSON
(continuacin)
Ejemplo
6.15 W
La probabilidad de que un paciente se recupere de una rara
enfermedad de la sangre es 0.4. Se sabe que 100 personas
contrajeron esta enfermedad, cul es la probabilidad de que menos
de 30 sobrevivan?
Solucin: Representamos con la variable binomial X el nmero de
pacientes que sobreviven. Como n = 100, deberamos obtener
resultados bastante precisos usando la aproximacin de la curva
normal con
= np = (100)(0.4) = 40
y
npq 100 0.4 0.6 4.499
Para obtener la probabilidad que se desea tenemos que encontrar el
rea de la izquierda de x = 29.5. El valor de z que corresponde a 29.5
es
29.5 40

4.899

2.14

y la probabilidad de que menos de 30 de los 100 pacientes sobrevivan

es
P(X < 30) P(Z < -2.14) = 0.0162
125

APROXIMACIN NORMAL A LA DISTRIBUCIN BINOMIAL Y

DE POISSON (continuacin)

La distribucin de Poisson se desarroll como el

lmite de una distribucin binomial cuando el nmero
de ensayos se
incrementa a infinito. Por
consiguiente, no debe sorprender encontrar que la
distribucin normal puede usarse para aproximar
probabilidades de una variable aleatoria de Poisson.
Si X es una variable aleatoria de Poisson con E(x)
=
y V(X) = entonces

es aproximadamente una variable aleatoria

normal estndar. La aproximacin es buena para

> 5.

126

APROXIMACIN NORMAL A LA DISTRIBUCIN

BINOMIAL Y DE POISSON (continuacin)

Ejemplo 6.2 W
Suponga que el nmero de partculas de asbesto en un
centmetro cuadrado de polvo sigue una distribucin de
Poisson con una media de 1000. Si se analiza un
centmetro cuadrado de polvo, cul es la probabilidad de
encontrar menos de 950 partculas?
La probabilidad puede expresarse exactamente como

e x
f x
,
x!

e 10001000 x
P( X 950)
x!
x 0
950

La dificultad del clculo es evidente.

La probabilidad puede aproximarse como
950 1000

P ( X x ) P Z
P ( Z 1.58) 0.057
1000

127