Estadstica I: Probabilidad

Prof: Mario Jos Pacheco Lpez

https://sites.google.com/site/wmariojpl
1. Deniciones
Experimento aleatorio: Un experimento que puede dar
lugar a resultados diferentes, a pesar de que se repite de
la misma manera cada vez, se denomina un experimento
aleatorio.
Espacio Muestral: El conjunto de todos los posibles
resultados de un experimento aleatorio se llama espacio
muestral del experimento. El espacio muestral se denota
como S.
Un espacio muestral es discreto si se compone de un
conjunto nito o innito numerable de resultados. Un es-
pacio muestral es continuo si contiene un intervalo (nito
o innito) de nmeros reales.
Ejemplo: Considere un experimento en el que se selec-
ciona una pieza de plstico moldeado y se le mide su es-
pesor. Los posibles valores para el espesor dependern de
del instrumento de medicin y de los lmites superior e in-
ferior para el espesor. Sin embargo, podra ser conveniente
denir el espacio muestral simplemente como:
S = R
+
={x | x > 0}
Si se sabe que todos los espesores estarn entre 10 y 11
milmetros, el espacio de muestra podra ser
S ={x | 10 < x < 11}
Si el objetivo del anlisis es considerar slo si el espesor
es grande, mediano o pequeo,
s ={grande, mediano, pequeo}
Si el inters es considerar slo si la pieza se ajusta a las
especicaciones de fabricacin,
S ={Si, No}
Si el experimento consiste en medir dos piezas en lugar de
una, el espacio muestral es:
S = R
+
R
+
y si el objetivo del anlisis es considerar slo si las piezas
se ajustan a las especicaciones de fabricacin,
S ={SS, SN, NS, NN}
y si el inters es el nmero de piezas que se ajustan a las
especicaciones,
S ={0, 1, 2}
Ejemplo: Suponga que se seleccionan tres artculos de
forma aleatoria de un proceso de fabricacin. Cada artcu-
lo se inspecciona y se clasica como defectuoso y no de-
fectuoso, el espacio muestral es:
S ={DDD, DDN, DND, NDD, DNN, NDN, NND, NNN}
Ejemplo: Un inspector de control de calidad eligi una
pieza fabricada para probarla. Posteriormente se estable-
ce si la parte se acepta, se repara, o se desecha. Despus
se prueba otra. Mencione todos los posibles resultados de
este experimento.
S ={AA, AR, RA, AD, DA, RR, RD, DR, DD}
Evento: Un evento es un subconjunto del espacio mues-
tral de un experimento aleatorio.
El evento formado por todos los posibles resultados
en E
1
o E
2
o en ambos, recibe el nombre de la unin
de E
1
y E
2
: E
1
E
2
.
El evento formado por todos los resultados comunes
tanto a E
1
como a E
2
, recibe el nombre de intersec-
cin de E
1
y E
2
: E
1
E
2
.
El complemento de un evento E con respecto al es-
pacio muestral S, es aquel que contiene a todos los
resultados de S que no se encuentran en S: E

.
Ejemplo: Del ejemplo anterior, sea el evento A: al me-
nos una pieza se repara,
A ={AR, RA, RR, RD, DR}
Ejemplo: Dado el espacio muestral S ={t : t 0}, don-
de t es la vida en aos de cierto componente, entonces el
evento B de que el componente falle antes de que nalice
el quinto ao es el subconjunto:
B ={t : 0 t < 5}
Eventos Mutuamente Excluyentes: Dos eventos, E
1
y
E
2
, tal que
E
1
E
2
= / 0
se dicen mutuamente excluyentes.
1
Probabilidad: La probabilidad es un nmero que se
asigna a cada miembro de una coleccin de eventos de
un experimento aleatorio que satisface las siguientes pro-
piedades (Axiomas de Probabilidad):
Si S es el espacio muestral y E es cualquier evento en
un experimento aleatorio,
1. P(S) = 1
2. 0 P(S) 1
3. Para dos eventos E
1
y E
2
con E
1
E
2
= / 0,
P(E
1
E
2
) = P(E
1
) +P(E
2
)
Regla de la Suma Para dos eventos A y B
P(AB) = P(A) +P(B) P(AB)
Ejemplo: Un sistema contiene dos componentes A y B
de manera que este funciona si cualquiera de los dos com-
ponentes funciona. Se sabe que la probabilidad de que A
funcione es P(A) = 0.9 y la de B es P(B) = 0.8, y la pro-
babilidad de ambos es P(AB) =0.72 entonces la proba-
bilidad de que el sistema funciones es
P(AB) = P(A) +P(B) P(AB)
= 0.9+0.80.72
= 0.98
Probabilidad Condicional: La probabilidad condicio-
nal de un evento B dado un evento A, denotada como
P(B | A), es
P(B | A) =
P(AB)
P(A)
con P(A) > 0.
Ejemplo: El 60% de los individuos de una poblacin
estn vacunados contra una cierta enfermedad. Durante
una epidemia se sabe que el 20% la ha contrado y que 2
de cada 100 individuos estn vacunados y son enfermos.
Calcular el porcentaje de vacunados que enferma y el de
vacunados entre los que estn enfermos.
P(V) = 0.6 P(E) = 0.2 P(V E) = 0.02
P(E | V) =
P(V E)
P(V)
=
0.02
0.6
P(V | E) =
P(V E)
P(E)
=
0.02
0.2
Regla de la Multiplicacin: Para dos eventos A y B
P(AB) = P(A)P(B | A) = P(B)P(A | B)
Regla de la Probabilidad Total: Para dos eventos A y
B
P(B) = P(BA) +P
_
BA

_
= P(A)P(B | A) +P
_
A

_
P
_
B | A

_
Independencia: Dos eventos son independientes si
cualquiera de las siguientes armaciones es verdadera:
P(A | B) = P(A)
P(B | A) = P(B)
P(AB) = P(A)P(B)
Teorema de Bayes: Si E
1
, E
2
, ..., E
k
son k eventos mu-
tuamente excluyentes y exhaustivos y B es cualquier even-
to,
P(E
1
| B) =
P(B | E
1
)P(E
1
)

k
i=1
P(B | E
i
)P(E
i
)
para P(B) > 0.
Ejemplo: Durante los ltimos aos se ha escrito mucho
sobre la posible relacin entre fumar y el cncer pulmonar.
Supnga que en un centro mdico, de todos los fumado-
res de quienes se sospecha que tenan cancer pulmonar, el
90% lo tena mientras que nicamente el 5% de los no
fumadores lo padeca. Si la proporcion de fumadores es
de 45%, cul es la probabilidad de que un paciente con
cancer pulmonar, seleccionado al azar, sea fumador?
Sea: B
1
: Fumador, B
2
: No Fumador y A: Tener cancer
pulmonar, entonces
P(A | B
1
) = 0.90; P(A | B
2
) = 0.05
P(B
1
) = 0.45 P(B
2
) = 0.55
y
P(B
1
| A) =
P(B
1
)P(A | B
1
)
P(B
1
)P(A | B
1
) +P(B
2
)P(A | B
2
)
=
0.450.90
0.450.90+0.550.05
= 0.9364
2
Ejemplo: Con base en varios estudios una compaia ha
clasicado, de acuerdo con la posibilidad de descubrir pe-
trleo, las formaciones geolgicas en tres tipos. La com-
paia pretende perforar un pozo en un determinado sitio,
al que se le asignan las probabilidades de 0.35, 0.40 y
0.25 para los tres tipos de formaciones respectivamente.
De acuerdo con la experiencia, se sabe que el petrleo se
encuentra en un 40% de formaciones tipo I, en un 20% de
formaciones tipo II y en un 30% de formaciones tipo III.
Si la compaia descubre petrleo en ese lugar, determine
la probabilidad de que exista una formacin tipo II.
Sea B
1
: Tipo 1, B
2
: Tipo 2, B
3
: Tipo 3 y A: Descubrir
petrleo, entonces
P(B
1
) = 0.35, P(B
2
) = 0.40, P(B
3
) = 0.25
P(A | B
1
) = 0.40, P(A | B
2
) = 0.20, P(A | B
3
) = 0.30
As,
P(B
2
| A) =
P(B
2
)P(A | B
2
)
P(B
1
)P(A | B
1
) +P(B
2
)P(A | B
2
) +P(B
3
)P(A | B
3
)
=
0.400.20
0.350.40+0.400.20+0.250.30
= 0.0788
2. Variables Aleatorias:
Una variable aleatoria es una funcin que asigna un n-
mero real a cada resultado en la espacio muestral de un
experimento aleatorio.
Una variable aleatoria se dice discreta si tiene un rango
nito (o innito numerable). Una variable aleatoria se dice
continua si su rango es un intervalo (nito o innito) de
nmeros reales.
Ejemplos de variables aleatorias continuas son la co-
rriente elctrica, longitud, presin, temperatura, tiempo,
tensin, peso. Ejemplos de variables aleatorias discretas
son el nmero de unidades defectuosas o el nmero de in-
dividuos que se contagian por una enfermedad.
Funcin masa de probabilidad: Para una variable
aleatoria discreta X con valores positivos x
1
, x
2
,... x
n
, una
funcin masa de probabilidad es una funcin tal que
1. f (x
i
) 0
2.
n

i=1
f (x
i
) = 1
3. f (x
i
) = P(X = x
i
)
Ejemplo: Sea X una v.a. que representa el nmero de
clientes que llega a un banco en un periodo de 15 minutos,
con funcin masa de probabilidad:
x 0 1 2 3 4 5 6 7 8
f (x) 0.05 0.1 0.1 0.1 0.2 0.25 0.1 0.05 0.05
La probabilidad de lleguen entre 3 y 6 clientes es:
P(3 X 6) = f (3) + f (4) + f (5) + f (6)
= 0,1+0,2+0,25+0,1
= 0,65
Funcin de distribucin acumulada: La funcin de
distribucin acumulada de una v.a. discreta X, F (x), es
F (x) = P(X x) =

x
i
x
f (x
i
)
Ejemplo: Para el ejemplo anterior:
x 0 1 2 3 4 5 6 7 8
F (x) 0.05 0.15 0.25 0.35 0.55 0.8 0.9 0.95 1
Esperanza y varianza de una v.a discreta: La media
o el valor esperado de una variable aleatoria discreta X,
E (X), es
E (X) =

x
x f (x)
tambin
E (h(X)) =

x
h(x) f (x)
La varianza de X, V (X), es
V (X) = E (X E (X))
2
=

x
(x E (X)) f (x)
= E
_
X
2
_
[E (X)]
2
=

x
x
2
f (x) [E (X)]
2
Tambin se acostumbra escribir = E (X),
2
= V (X),
=

2
.
Ejemplo: Para el ejemplo anterior:
= E (X) = 00.05+10.1+ +80.05 = 4
E
_
X
2
_
= 0
2
0.05+1
2
0.1+ +8
2
0.05 = 20.1

2
=V (X) = 20.14
2
= 4.1
=

4.1 = 2.025
As, el nmero esperado de clientes es 4 (42.025).
3
Funcin de densidad de probabilidad: Para la v.a.
continua X, denida en el conjunto de nmeros reales R,
f (x) es una funcin de densidad de probabilidad de X, si:
1. f (x) 0, para todo x R.
2.

f (x)dx = 1
3. P(a < X < b) =

b
a
f (x)dx
Ejemplo: Considere la v.a. que representa la proporcin
de accidentes automovilsticos fatales en una regin, con
funcin de densidad
f (x) = 42x(1x)
5
, 0 < x < 1
Cul es la pobabilidad de que entre un 10% y un 20% de
los accidentes automovilsticos sean fatales?
P(0.1 X 0.2) =

0.2
0.1
42x(1x)
5
dx
=
_
7x(1x)
6
(1x)
7
_
0.2
0.1
= 0.2736
(hacer u = 42x, du = 42dx, dv = (1x)
5
dx y v =
(1x)
6
/6)
Funcin de distribucin acumulada: Para una v.a.
continua X, la funcin de distribucin acumalada, F (x),
es
F (x) = P(X x)
=

f (x)dx
Ejemplo: Para el ejemplo anterior:
P(X x) =

x
0
42x(1x)
5
dx
=7x(1x)
6
(1x)
7
+1
Esperanza y varianza de una v.a continua: La media
o el valor esperado de una variable aleatoria continua X,
E (X), es
E (X) =

x f (x)dx
tambin
E (h(X)) =

h(x) f (x)dx
La varianza de X, V (X), es
V (X) = E (X E (X))
2
=

(x E (X)) f (x)dx
= E
_
X
2
_
[E (X)]
2
=

x
2
f (x)dx [E (X)]
2
Ejemplo: Para el ejemplo anterior:
E (X) =

1
0
42x
2
(1x)
5
dx
=
_
7x
2
(1x)
6
2x(1x)
7

(1x)
8
4
_
1
0
= 0.25
E
_
X
2
_
=

1
0
42x
3
(1x)
5
dx
=
_
7x
3
(1x)
6
3x
2
(1x)
7

3
4
x(1x)
8

1
72
(1x)
9
_
1
0
= 0.0833
V (X) = 0.08330.25
2
= 0.0208
As, la proporcin esperada de accidentes es 0.25 (0.25
0.144).
Grco de la funcin de densidad y la media:
0.0 0.2 0.4 0.6 0.8 1.0
0
.
0
0
.
5
1
.
0
1
.
5
2
.
0
2
.
5
x
f
(
x
)
4
3. Algunas distribuciones discretas de
probabilidad
3.1. La distribucin Binomial
Sea X una v.a. que representa el nmero de xitos en
n ensayos independientes y p la probabilidad de xito en
cualquiera de estos. Entonces se dice que X tiene una dis-
tribucin Binomial con funcin de probabilidad
f (x | n, p) =
_
n
x
_
p
x
(1p)
nx
, x = 0, 1, ..., n
Adems, E (X) = np y V (X) = np(1p).
Ejemplo: La probabilidad de que un paciente se recupe-
re de una rara enfermedad sangunea es 0.4. Si se sabe que
15 personas contraen esta enfermedad, cul es la proba-
bilidad de que sobrevivan entre 1 y 3 pacientes?
Como n = 15 y p = 0.4, entonces
P(1 X 3) = f (1 | 15, 0.4) + f (2 | 15, 0.4) + f (3 | 15, 0.4)
= (15)(0.4)(0.6)
14
+(105)(0.4)
2
(0.6)
13
+(455)(0.4)
3
(0.6)
12
= 0.0900
Ejemplo: Se sabe que la probabilidad de que un indivi-
duo reaccione desfavorablemente tras la inyeccin de una
vacuna es de 0.002. Determinar la probabilidad de que en
un grupo de 20 personas vacunadas haya no ms de una
que reacciones desfavorablemente.
Aqu n = 20 y p = 0.002, por tanto la probabilidad pe-
dida es
P(X 1) = f (0 | 20, 0.002) + f (1 | 20, 0.002)
= 0.998
20
+(20)(0.002)
1
(0.998)
19
= 0.9993
Ejemplo: Todos los das se seleccionan, de manera
aleatoria, 15 unidades de un proceso de manufactura con
el propsito de vericar el porcentaje de unidades defec-
tuosas en la produccin. Con base en informacin pasada
la probabilidad de tener una unidad defectuosa es de 0.05.
La gerencia ha decidido detener la produccin cada vez
que una muestra de 15 unidades tenga dos o ms defec-
tuosas, cul de la probabilidad de que, en cualquier da,
la produccin se detenga?
Dado que n = 15 y p = 0.05, la probabilidad pedida es
P(X 2) = 1P(X < 2)
= 1[ f (0 | 15, 0.05) + f (1 | 15, 0.05)]
= 1
_
(0.95)
15
+(15)(0.05)(0.95)
14
_
= 10.46330.3658
= 0.1709
Ejemplo: Aproximadamente el 30% de todas las fallas
de operacin de tuberas en plantas qumicas son ocasio-
nadas por errores del operador. Cul es la probabilidad
de que de las siguientes 20 fallas al menos una se deba a
un error del operador?
Se tiene que n = 20 y p = 0.3, entonces
P(X 1) = 1P(X < 1)
= 1 f (0 | 20, 0.3)
= 10.7
20
= 0.9992
3.2. La distribucin Poisson
Sea X una v.a. que representa el nmero de eventos
aleatorios independientes que ocurren por unidad de tiem-
po. Entonces se dice que X tiene una distribucin Poison
con funcin de probabilidad
f (x | ) = e

x
/x!, x = 0, 1, ...
con > 0 el nmero promedio de eventos por unidad de
tiempo. Adems, E (X) = y V (X) = .
Ejemplo: Suponga que en un cruce transitado ocurren
tres accidentes por semana. Determinar la probabilidad de
que ocurran dos accidentes en una semana.
P(X = 2) = f (2 | 3) =
e
3
3
2
2!
= 0.224
Ejemplo: El nmero promedio de nacimientos en un
hospital por mes es de 10. Cul es la probabilidad de
que se produzcan al menos cuatro nacimientos el prxi-
mo mes?
P(X 4) = 1P(X < 4)
= 1[ f (0 | 10) + f (1 | 10) + f (2 | 10) + f (3 | 10)]
= 1
_
e
10
10
0
0!
+
e
10
10
1
1!
+
e
10
10
2
2!
+
e
10
10
3
3!
_
= 1e
21
(1+10+50+333.3333)
= 0.9821
5
Ejemplo: El nmero de clientes que llega a un banco
es una v.a. Poisson. Si el nmero promedio es de 120 por
hora, cul es la probabilidad de que en un minuto lleguen
por lo menos tres clientes?
Para una hora

= 120 pero para un minuto =

120/60 = 2, por tanto
P(X 3) = 1P(X < 3)
= 1[ f (0 | 2) + f (1 | 2) + f (2 | 2)]
= 1
_
e
2
2
0
0!
+
e
2
2
1
1!
+
e
2
2
2
2!
_
= 1e
2
(1+2+2) = 0.3233
Ejemplo: El nmero promedio de buques que llega cada
da a cierta ciudad portuaria es 10. Las instalaciones en el
puerto pueden manejar a lo ms 5 buques por da. Cul es
la probabilidad de que en un da dado los buques se tengan
que regresar?
La probabilidad pedida es
P(X > 15) = 1P(x 5) = 1
5

x=0
e
10
_
10
x
x!
_
= 1e
10
_
10
0
0!
+ +
10
5
5!
_
= 0.9329
3.3. La distribucin Hipergeomtrica
Es la distribucin de probabilidad de la v.a. X que cuen-
ta el nmero de xitos en una muestra aleatoria de tamao
n que se selecciona de N artculos de los que k se denomi-
nan xito y Nk fracaso. La probabilidad de que de que x
sean xitos y nx sean fracasos, est dada por la funcin
f (x | N, n, k) =
_
k
x
__
Nk
nx
___
N
n
_
, x = 0, 1, ..., k
Adems, E (X) = nk/N, V (X) =
Nn
N1
nk
N
_
1
k
N
_
.
Ejemplo: Un fabricante de automviles que compra los
motores a una compaa donde se fabrican bajo estrictas
especicaciones. El fabricante recibe un lote de 40 mo-
tores. Su plan para aceptar el lote consiste en seleccionar
ocho, de manera aleatoria, y someterlos a prueba. Si en-
cuentra que ninguno de los motores presenta serios defec-
tos, el fabricante acepta el lote; de otra forma lo rechaza.
Si el lote contiene dos motores con serios defectos, cul
es la probabilidad de que sea aceptado?
Como N = 40, n = 8 y k = 2, la probabilidad de acep-
tacin es
f (0 | 40, 8, 2) =
_
2
0
__
38
6
___
40
8
_
= 0.6359
Ejemplo: En un estudio se capturan 10 animales para su
estudio, se etiquetan y se sueltan en una regin. Despus
de un tiempo se selecciona una muestra de 15 animales,
cul es la probabilidad de que tres o ms de estos se-
leccionados sean animales etiquetados, si hay 25 de estos
animales la regin?
Aqu N = 25, n = 15 y k = 10, as
P(X 3) = 1P(X < 3)
= 1
2

x=0
f (0 | 40, 8, 2)
= 1
2

x=0
_
10
x
__
2510
15x
_
_
25
15
_
= 10.0015
= 0.9985
3.4. Distribucin Binomial Negativa
Sea X +k el nmero de ensayos independientes nece-
sarios para alcanzar, de manera exacta, k xitos en un ex-
perimento binomial en donde la probabilidad de xito en
cada ensayo es p. La f.m.p. de X es:
f (x | k, p) =
_
k +x 1
k 1
_
p
k
(1p)
x
,
x = 0, 1, ...
k = 1, 2, ...
donde p es la probabilidad de xito en cada ensayo. Ade-
ms, E (X) = k(1p)/p y V (X) = k(1p)/p
2
.
Ejemplo: Se sabe que en cierto proceso de fabricacin,
en promedio, uno de cada 100 artculos est defectuoso.
Cul es la probabilidad de que el quinto artculo que se
inspecciona sea el segundo defectuoso que se encuentra?
Como p = 1/100 = 0.01 y k = 2, entonces
f (3 | 2, 0.01) =
_
2+31
21
_
0.01
2
(10.01)
3
= 0.00039
Ejemplo: En un departamento de control de calidad se
inspeccionan las unidades terminadas que provienen de
una lnea de ensamble. Se piensa que la proporcin de uni-
dades defectuosas es de 0.05. Cul es la probabilidad de
que la vigsima unidad inspeccionada sea la tercera que
se encuentre defectuosa?
Como p = 0.05 y k = 3, entonces
f (17 | 3, 0.05) =
_
3+171
31
_
0.05
3
(10.05)
17
= 0.0089
6
4. Algunas distribuciones continuas de
probabilidad
4.1. Distribucin exponencial
Si una variable aleatoria X tiene distribucin exponen-
cial, su funcin de densidad de probabilidad est dada por:
f (x | ) =
1

e
x/
, x > 0, > 0
Adems, E (X) = y V (X) =
2
.
Para esta v.a., la funcin de distribucin acumulada vie-
ne dada por:
F (x | ) =

x
0
1

e
x/
dx = 1e
x/
Ejemplo: En una investigacin con ratas se determin
que el tiempo de sobrevivencia en semanas cuando se les
somete a una dosis de un txico que se descarga con fre-
cuencia en la atmsfera desde el combustible de los avio-
nes, sigue una distribucin exponencial con = 60. Cal-
cule la probabilidad de que el tiempo de sobrevivencia su-
pere las 70 semanas.
La probabilidad pedida es:
P(X > 70) = 1P(X 70) = 1F (70 | 60)
= 1
_
1e
70/60
_
= e
70/60
= 0.3114
Ejemplo: El tiempo de reparacin de una mquina tiene
una distribucin exponencial con media de 22 minutos.
Hallar la probabilidad de que el tiempo de reparacin sea
menor a 15 minutos.
Como E (X) = 22, entonces = 22. La probabilidad
pedida es entonces
P(X < 15) = P(X 15) = 1e
15/22
= 0.4943
Ejemplo: El tiempo medio de eliminacin de una droga
es de 5 das. Si se asume una distribucin exponencial para
dicho tiempo, cul es la probabilidad de que el tiempo de
eliminacin se encuentre entre 3 y 7 das?
Como E (X) = 5, entonces = 5, de donde
P(3 X 7) = P(X 7) P(X < 3)
= 1e
7/5

_
1e
3/5
_
= e
3/5
e
7/5
= 0.3022
4.2. Distribucin Weibull
Si una variable aleatoria X tiene distribucin Weibull,
su funcin de densidad de probabilidad est dada por:
f (x | , ) =

x
1
e
(x/)

,
x > 0
, > 0
Adems, E (X) = (1+1/) y
V (X) =
2
_
(1+2/)
2
_
1+1/
2
_
Para esta v.a., la funcin de distribucin acumulada vie-
ne dada por:
F (x | , ) =

x
0
x
1
e
(x/)

dx
= 1e
(x/)

Ejemplo: Un fabricante de lavadoras garantiza sus pro-

ductos contra cualquier defecto durante el primer ao de
uso. l ha estimado que el costo de reparacin es de
$75.000 durante el periodo de garanta. Si el tiempo, en
meses, en el que ocurre la primera falla es una variable
aleatoria Weibull con = 2 y = 40, y el fabricante es-
pera vender 10000 unidades, determine el costo esperado
de la garanta para el fabricante.
Sea X Ga(2, 40) el tiempo hasta que ocurre la prime-
ra falla, entonces
P(X 12) = F (x | , ) = 1e
(12/40)
2
= 0.0861
Por tanto el nmero esperado de fallas durante el periodo
de garanta es 10000 0.0861 = 861, con un costo espe-
rado de 861$75000 = $64

575.000.
Ejemplo: Un sistema est formado por dos componen-
tes independientes A y B. El sistema permanece operando
mientras uno o ambos componentes funcionen. Si el tiem-
po de vida del componente A es We(1/2, 10) y el de B
es We(2, 12), cul es la probabilidad de que el sistema
trabaje ms de 20 horas?
Aqu, la probabilidad de que el sistema funcione ms
de 20 horas corresponde a
P(A
20
B
20
) = P(A
20
) +P(B
20
) P(A
20
)P(B
20
)
pero
P(A
20
) = 1
_
1e
(20/10)
1/2
_
= 0.2431
P(A
20
) = 1
_
1e
(20/12)
2
_
= 0.0183
por tanto
P(A
20
B
20
) = 0.2569
7
4.3. Distribucin Beta
Si una variable aleatoria X tiene distribucin Beta, su
funcin de densidad de probabilidad est dada por:
f (x | , ) =
( +)
()()
x
1
(1x)
1
,
0 < x < 1
, > 0
Adems, E (X) = /( +) y
V (X) =

( +)
2
( + +1)
La funcin gamma, (), viene dada por:
() =

0
u
1
e
u
du
pero si es un entero () = ( 1)!
Ejemplo: La proporcin de unidades defectuosas en un
proceso de fabricacin es una variable aleatoria Beta con
= 1 y = 20. Cul es la probabilidad de que la propo-
cin de unidades defectuosas sea mayor que un 5%?
Como
f (x | 1, 2) =
(1+2)
(1)(2)
x
11
(1x)
21
= 2(1x), 0 < x < 1
por tanto
P(X > 0.05) =

1
0.05
2(1x)dx
=
_
2x x
2
_

1
0.05
= 0.9025
4.4. Distribucin Normal
Se dice que una v.a. X se encuentra normalmente distri-
buida, X N
_
,
2
_
, si su funcin de densidad de proba-
bilidad est dada por
f (x) =
1

2
e

1
2
(
x

)
2
< x <
con < < y > 0. Adems, E (X) = y V (X) =

2
.
Ejemplo: Sea X una v.a. que representa la inteligencia
medida por medio de pruebas CI. Si X N(100, 10), ob-
tener las probabilidades de que X sea mayor que 95 y entre
95 y 105.
Dado que = 100 y =

10, entonces
P(X > 95) = 1P(X 95)
= 1P
_
Z
95100

10
_
= 1P(Z 1.58)
= 10.057
= 0.943
y
P(95 < X < 105) = P(X < 105) P(X 95)
= P
_
Z
105100

10
_
P
_
Z
95100

10
_
= P(Z 1.58) P(Z 1.58)
= 0.9430.057
= 0.886
Ejemplo: En un rea de estudio determinada, el conte-
nido de calcio (en mmol
c
/dm
3
) en muestras de suelo to-
madas de la capa 0-20cm sigue una distribucin aproxi-
madamente normal con media 50.7 y desviacin estndar
11.1. Calcule la probabilidad de que el contenido de cal-
cio no supere los 60 mmol
c
/dm
3
. El 25% de todos los
contenidos de calcio es inferior o igual a qu valor?
Aqu, = 50.7 y = 11.1, por tanto
P(X 60) = P
_
Z
6050.7
11.1
_
= P(Z 0.838)
= 0.799
Por su parte, si el 25% de todos los contenidos de calcio
es inferior o igual a x
.25
, entonces
P(X x
.25
) = 0.25
por tanto
P
_
Z
x
.25
50.7
11.1
_
= 0.25
de donde
x
.25
50.7
11.1
=0.674
as despejando se tiene que
x
.25
= (11.1)(0.674) +50.7
= 43.2
8