UNIVERSIDAD DE CARABOBO

FACULTAD DE INGENIERA
ESCUELA DE INGENIERA INDUSTRIAL
DEPARTAMENTO DE INVESTIGACIN DE
OPERACIONES

PROBABILIDADES

ngel A. Carnevali F.

Brbula, Marzo 2008

INDICE

NOTACIN

AGRADECIMIENTO

CAPITULO I: INTRODUCCIN A LOS MODELOS PROBABILISTICOS

5 - 21

CAPITULO II: VARIABLES ALEATORIAS

22 - 42

CAPITULO III: MOMENTOS

43 - 50

C
CA
AP
PIITTU
ULLO
O IIV
V:: DISTRIBUCIONES DE PROBABILIDADES DE VARIABLES,
ALEATORIAS DISCRETAS

51 - 53

C
CA
AP
PIITTU
ULLO
O IIV
V:: DISTRIBUCIONES DE PROBABILIDADES DE VARIABLES,
ALEATORIAS CONTINUAS
C
CA
AP
PIITTU
ULLO
OV
VII:: CONFIABILIDAD
BIBLIOGRAFA

54 - 77
78 - 86
87

NOTACION
Las letras griegas son usadas para:
Parmetros:

genrico:

Localizacin:

Escala:

Forma:

Diferencias:

Distribucin:

Constante

Correlacin:

Errores

Espacios:

Funcin gamma:

Funciones:

f, g, h

Funciones de distribucin acumulada:

F, G, H

ndices de sumatorias:

i, j , k

Variables aleatorias maysculas:

X ,Y ,Z

Realizaciones de V. A minsculas:

x ,y ,z

Matrices y vectores letras cursivas:

A ,B ,C ,X

AGRADECIMIENTO
A Yamile Crdenas por su valiosa colaboracin en la trascripcin de este material.
A Carlos Pacheco por las correcciones realizadas.

CAPITULO I
IIN
NTTR
RO
OD
DU
UC
CC
CII
N
NA
A LLO
OS
SM
MO
OD
DE
ELLO
OS
SP
PR
RO
OB
BA
AB
BIILLIIS
STTIIC
CO
OS
S
TEORA DE CONJUNTOS
Un CONJUNTO es una coleccin bien definida de objetos.
A los objetos de un conjunto se les llama ELEMENTOS.
Un SUBCONJUNTO es un conjunto en el que cada elemento de dicho conjunto pertenece a
otro conjunto.
NOTACIN:
A B; A esta contenido en B A es subconjunto de B. En este caso se dice que A es un
subconjunto propio de B ya que se excluye la posibilidad de que A = B.
A = B todo elemento de A est en B y todo elemento de B est en A
A B A es subconjunto de B pero cabe la posibilidad de que A = B
X A el elemento X pertenece esta incluido en el conjunto A
A B A no est contenido en B
A B A no es igual a B
A B el elemento X no pertenece al conjunto A.
CONJUNTO VACO: es aquel que no contiene elementos ( )
CONJUNTO UNIVERSAL: conjunto que contiene cualquier conjunto (U = )
Dado un conjunto A se considera A U.
Dados A y B conjuntos tenemos:
A B = X/ X A X B
A B = {X/ X A X B
A-B = {X/ X A y X B}
A C = - A = {X/ X A}

LEYES DEL LGEBRA DE CONJUNTOS

1.- IDEMPOTENCIA:
a) A A = A
2.-ASOCIATIVAS:
a) (A B) C = A (B C)

b) A A = A

b) (A B) C = A (B C)

3.-CONMUTATIVA:
a) A B = B A

b) A B = B A

4.- DISTRIBUTIVAS:
a) A (B C)=(A B) (A B)

b) A (B C) = (A B) (A C)

5.-IDENTIDAD:
a) A = A

b) A U = U

c) A U = A

d) A =

6.-COMPLEMENTO:
a) A A C = U

b) (A C) C = A

c) A A C =

d) U C =

LEYES DE DE MORGAN
a) (A B) C = A C B C

b) (A B) C = A C B C

Un conjunto se dice FINITO si es vaco consta de n elementos.

Un conjunto se dice CONTABLE si es finito si sus elementos se pueden ordenar en una
sucesin; en caso de ser infinito y se puede ordenar en una sucesin se dice
CONTABLEMENTE INFINITO.
RECUERDE: Una sucesin es una funcin cuyo dominio son los naturales, es decir
: N
R sus elementos se denotan por an donde el subndice n indica la posicin del
elemento en la sucesin.
Se define el CONJUNTO PRODUCTO como el conjunto de todos los pares ordenados de
elementos (a, b) donde la primera componente pertenece al primer conjunto y la segunda
componente pertenece al segundo conjunto, en este caso A y B respectivamente.
A * B = {(a, b) / a A, b B}
Dos conjuntos A y B se dicen DISJUNTOS si A B =
Una PARTICIN de un conjunto A, es una subdivisin de A entre subconjuntos no vacos
que son disjuntos y cuya unin es A; es decir,
A1, A2,..., Anes una particin de A si:
1) Ai A j =

ij

2) U Ai A

Sea un conjunto se dice que Ao es una SIGMA-ALGEBRA de conjuntos

( = LGEBRA) si:
i) A Ao A C Ao
ii) Si Ai Ao i = 1, 2,..., n U Ai Ao
6

PROBABILIDAD
PROBABILIDAD es el estudio de experimentos aleatorios.
EXPERIMENTO proceso por medio del cual se obtiene una observacin.
EVENTO cualquier resultado del experimento.
EVENTO SIMPLE evento que no se puede descomponer. A cada evento simple le
corresponde uno y slo un punto muestral.
ESPACIO MUESTRAL conjunto de todos los posibles puntos muestrales tambin se define
como el conjunto de todos los resultados posibles de un experimento.
PUNTO MUESTRAL resultado particular de un experimento.
Dos eventos A y B se llaman MUTUAMENTE EXCLUYENTES si son distintos, es decir, A
B =
Un ESPACIO DISCRETO es un espacio muestral finito o numerablemente infinito de puntos
muestrales.
Un evento definido en un espacio muestral discreto S es una coleccin de puntos muestrales,
es decir, un subconjunto de S.
FRECUENCIA nmero de veces que aparece un resultado en un experimento.
FRECUENCIA RELATIVA frecuencia dividida por el nmero total de veces que se realiz el
experimento.
EXPERIMENTO ALEATORIO es aquel en el que todo resultado tiene la misma
probabilidad de salir.
DEFINICIN CLSICA DE PROBABILIDAD PROBABILIDAD COMBINATORIA cociente
entre nmero de resultados del experimento, favorables al experimento y el nmero de
resultados posibles e igualmente probables.
DEFINICIN FRECUENCIAL DE PROBABILIDAD es la frecuencia relativa de un evento en
n intentos repetidos de un experimento aleatorio cuando n tiende a infinito.
DEFINICIN SUBJETIVA DE PROBABILIDAD es el grado de confianza que una persona
posee en la factibilidad de un evento.
Supngase que un espacio muestral S est asociado con un experimento. Se define una
FUNCIN DE PROBABILIDAD del espacio de eventos del experimento (un conjunto y la
-LGEBRA de conjuntos de) en el intervalo [0,1] tal que a cada evento A definido en S se

le asigna un nmero P (A), denominado PROBABILIDAD de A, de tal manera que se

cumplen los axiomas siguientes:
1.-P (A) 0
2.-P (S) = 1
3.-Si A1, A2, A3,, An forman una sucesin de eventos de S, que se excluyen mutuamente
por parejas (disjuntos dos a dos), es decir,
Ai A j =
ij con i = 1, 2 n entonces:
P (A1 U A2 U...) = P (U Ai) = P (Ai) = P (A1) + P (A2) +...
TEOREMA:
Sea el conjunto vaco entonces P () = 0
TEOREMA:
P (A C) = 1 P (A)
TEOREMA:
Si A B entonces la P (A) P (B)
TEOREMA:
Si A y B son dos eventos entonces P (A-B) = P (A) P (A B)
TEOREMA:
Si A y B son dos eventos entonces P (A U B) = P (A) + P (B) - P (A B)
COROLARIO: Sean A, B, C eventos entonces
P ( A U B U C ) = P ( A )+P ( B )+P ( C )- P (A B)-P ( A C )-P ( B C) + P (A B C)
ESPACIOS MUESTRALES
FINITOS: Sea S un espacio muestral finito, S = a1, a2,..., an un espacio finito de
probabilidad se obtiene al asignar a cada punto ai S un nmero real pi llamado probabilidad
de ai que satisface las propiedades siguientes:
i) Cada pies no negativo, pi 0
ii) La suma de los pi es uno, p1 + p2 +...+ pn = 1
La probabilidad P (A) de un evento A se define entonces como la suma de las probabilidades
de los puntos de A.
FINITOS EQUIPROBABLES: Un espacio finito S de probabilidad donde cada punto muestral
tiene la misma probabilidad se llama ESPACIO EQUIPROBABLE UNIFORME.
Si S contiene n puntos entonces la probabilidad de cada punto es 1/n
Si un evento A contiene r puntos su probabilidad es r/n, es decir:
P (A) = Nmero de elementos de A / Nmero de elementos de S
P (A) =

Nmero de maneras en que el evento A puede suceder

Nmero de maneras en que el espacio muestral S puede suceder
8

INFINITOS: Sea S un espacio muestral infinito contable es decir

S = a1, a2,... como en el caso finito obtenemos un espacio de probabilidad asignado a cada
ai S un nmero real pi ,llamado, su probabilidad, tal que:
i) pi 0
ii) p1+ p2 +...+ pn = pi = 1
La probabilidad P (A) de un evento A es entonces la suma de las probabilidades de sus
puntos.
Ejemplo:
Considere el experimento de lanzar una moneda hasta que salga cara.
INFINITOS NO CONTABLES: Aquellos que tienen medida geomtrica finita como la
longitud, el rea, el volumen y en los cuales un punto se selecciona al azar, son los nicos
casos que consideraremos.
Dado un evento A la probabilidad es la relacin medida de A entre medida del espacio S.
P (A) = Longitud de A / longitud de S
P (A) = rea de A / rea de S
P (A) = volumen de A / volumen de S
Estos espacios se llaman UNIFORMES.
PROBABILIDAD CONDICIONAL
La Probabilidad Condicional de un evento A, ya que ocurri un evento B, es igual a P (A/B) =
P (A B)/P(B) siempre que la P ( B ) 0
En un espacio finito equiprobable:
P (A/B) = Nmero de elementos de A B / Nmero de elementos de B
P (A B) = P (A) *P (B/A)
Sean A1, A2,, An eventos:
P (A1 A2 ... An) = P (A1)*P (A2/A1)*P (A3/A1A2)P (An/A1A2An-1)
Esto se conoce como el TEOREMA DE LA MULTIPLICACIN.

Ejemplo:
Un lote de doce artculos tiene cuatro defectuosos, se toman al azar tres artculos del lote
uno tras otro. Hallar la probabilidad p de que los tres estn buenos.
1.-Por Teorema de la Multiplicacin:
(8/12)*(7/11)*(6/10) = 14/55
2.-Por Combinatoria:
C8,3 / C12,3 = 14/55
Esto se conoce como pruebas sin sustitucin muestreo sin sustitucin.

INDEPENDENCIA: Se dice que un evento B es INDEPENDIENTE de un evento A si la

probabilidad de que B suceda no est influenciada porque A haya sucedido. Es decir, P ( B )
= P ( B/A )
Dos eventos A y B se dicen INDEPENDIENTES si: P ( A B ) = P(A)*P(B)
Tres eventos A, B, C son independientes si:
i) Los eventos son independientes dos a dos, es decir
P ( A B ) = P(A)*P(B) P ( A C ) = P(A)*P(C) P ( B C ) = P(B)*P(C)
ii) P (A B C) = P (A)*P (B)*P (C)
Ejemplo 1:
Lanzamiento de una moneda tres veces y los eventos:
A = {Primeros lanzamientos son caras}
B = {Segundos lanzamientos es cara}
C = {Exactamente se lanzan dos caras seguidas} entonces:
A y B son independientes; A y C son independientes; B y C son dependientes.
Ejemplo 2:
Lanzamiento de dos monedas y los eventos:
A = {Caras en la primera moneda}
B = {Caras en la segunda moneda}
C = {Caras en una moneda exactamente} entonces:
A y B; A y C; B y C son independientes pero A, B y C no lo son.
PRUEBAS REPETIDAS E INDEPENDIENTES:
Sea S un espacio finito de probabilidad, por n pruebas repetidas e independientes
significamos el espacio de probabilidad T que consta de n- uplas elementos de S con la
probabilidad de una n-upla definida como el producto de las probabilidades de sus
componentes:
P ((a1, a2, , an)) = P ( a1 )*P (a2 )**P ( an )

PARTICIONES Y TEOREMA DE BAYES

TEOREMA DE BAYES: Supngase que A1, A2,..., An es una particin de un espacio muestral
S y que B es cualquier evento. Entonces para cualquier i:
P (Ai/B) = P (Ai)*P (B/Ai)/ P (A1)*P (B/A1)+P (A2)*P (B/A2)+...+P (An)*P (B/An)
P (Ai/B) = P(Ai)*P(B/Ai)/P(Aj)*P(B/Aj)

DEMOSTRACIN:
Como {Ai} i = 1, 2, ..., n son una particin de S esto implica A i Aj = ij y que U Ai = A1
U A2 U...U An = S como B = S B = (A1 U A2 U...U An ) B =
10

(A1 B)U (A2 B) U...U (An B) entonces:

P(B)=P((A1 B)U (A2 B)U...U(An B))=P(A1 B )+P(A2 B)+...+P(An B)
Todos los Ai B son mutuamente excluyentes y por el Teorema de la Multiplicacin:
P(B) = P(A1)*P(B/A1)+P(A2)*P(B/A2)+...+P(An)*P(B/An) (1)
Por otra parte para cualquier i la probabilidad condicional de Ai dado B se define por:
P (Ai/ /B) = P (Ai B)/P (B) = P(Ai)*P(B/Ai)/P(B)
Sustituyendo P (B) por (1) nos queda el Teorema.

OBSERVACIN:
La importancia del Teorema de Bayes radica en que partiendo de las probabilidades iniciales
a priori P (Ai) i = 1,2,..., n y de las verosimilitudes como tambin son llamadas las
probabilidades condicionales PA j j = 1,., n (Asignacin de probabilidades con un proceso
que va de lo general a lo particular)
Permite determinar las probabilidades finales a posteriori.
Con esto tenemos las herramientas para calcular probabilidades y resolver cualquier
ejercicio. Adems de poder profundizar ms en la teora de probabilidades.
Pero nos falta repasar.
TECNICAS PARA LA ENUMERACIN DE PUNTOS MUESTRALES TCNICAS DE
CONTAR
(ANLISIS COMBINATORIO)
TEORA (PRINCIPIO FUNDAMENTAL DEL CONTEO):
Sean A i i= 1, , m Conjuntos con ni Elementos respectivamente definimos la n-UPLA (a1,
m
a2, ,am) tal que ai A i i Entonces existen n i = n1, n2 nm n UPLAS con estas
i1
propiedades.
DEFINICIN: El arreglo ordenado de r objetos o elementos distintos se denomina
permutacin. El nmero de maneras en que se pueden ordenar n objetos distintos tomados r
a la vez se denota por el smbolo Prn
TEOREMA Prn

n!
n r !

COROLARIO Pnn n!

11

TEOREMA El nmero de formas en las que se pueden asignar n objetos distintos en k

n!
grupos diferentes que contienen n 1, n2,.nk objetos respectivamente
En
N
n1! n 2 !..... nk !
K

donde

n
i1

n!

n! ! n 2 !..... nk !

NOTACIN:

n
n1n 2..... n k

DEFINICIN: El nmero de combinaciones de n objetos tomados r a la vez es el nmero de

subconjuntos, cada uno de tamao r, que se pueden formar a partir de los n objetos, este
nmero lo denotaremos nr nr

TEORA

n nr! ! r!
n
r

PRUEBAS DE SUSTITUCIN Sea un conjunto A con n elementos bolas, se toma una

bola elemento y se regresa al conjunto y se toma otra. Se repite el proceso r veces.
Cuntas formas maneras distintas hay de escoger las bolas? Respuesta n r
PRUEBAS SIN SUSTITUCIN Y si no se regresa la bola, cuantas hay? R: P nr
LEMA nn r nr

TEORA

nr1

n
+
r 1
r
n

DIAGRAMAS DE ARBOL: Dibujo que se usa para enumerar todos los resultados posibles
de una serie de experimentos, en donde cada experimento puede suceder en un nmero
finito de maneras.
CALCULO DE PROBABILIDADES DE UN EVENTO
1) MTODO DE LOS PUNTOS MUESTRALES
1. defina el experimento
2. Establezca los eventos simples asociados con el experimento y someta a prueba cada uno
para asegurarse de que no se puede descomponer mas, esto define el espacio muestral S.
3. Asigne a cada punto muestral en S una probabilidad adecuada, verificando P (Ei) 0
PEi 1
4. Defina el evento de estudio A, como una coleccin especfica de puntos muestrales.
5. Encuentre =(A) sumando las probabilidades de los puntos muestrales de A.

2) MTODO DE LA COMPOSICIN DE EVENTOS

1. Defina el experimento

12

2. Interprete claramente la naturaleza de los puntos muestrales, identifique algunos para

comprender el proceso.
3. Formule una ecuacin que exprese el evento de estudio A como una composicin de dos
ms eventos utilizando uniones, intersecciones y/o complementos. Ntese que esto es una
ecuacin entre conjunto de puntos. Asegrese de que el evento obtenido por la composicin
y el evento A representen el mismo conjunto de puntos muestrales.
4. Aplique las leyes aditiva y multiplicativa de probabilidad al paso 3 y encuentre P(A).
OBSERVACIN El paso 3 es el ms difcil porque podemos formar muchas composiciones,
que son equivalentes al evento A. El truco es formar una composicin en la cual se conocen
todas las probabilidades que aparecen en el paso 4. VERIFIQUE SU EXPRESIN.
EJEMPLO Tres mquinas A, B, C producen respectivamente 50%, 30%, 20% del total de
artculos de una fbrica, los porcentajes de desperfecto de produccin de estas mquinas
son 3%, 4%, 5%, si un artculo se selecciona al azar hallar la probabilidad de que el artculo
sea defectuoso.
RESOLUCIN
Sea x el evento de que un artculo es defectuoso, por teora anterior Cul?
P(x) = P (A) P(X/A) +P (B) P (X/B) +P(C) = (0, 5)*(0.03) + (0.3)*(0.04) + (0.2) *(0.05) = 0.037
A
0.5

D
0.03
N

B
0.3

D
0.04

C
0.2

D
0.05

Suponga que se seleccion un artculo y result defectuoso hallar la probabilidad de que el

artculo fuese producido por la mquina A, es decir hallar P(A /X)
P (A /X) =

PA P( X / A )
15

P( A )P( X / A ) P(B)P( X / B) P(C)P( X / C) 37

PROBLEMAS PROPUESTOS

1._ Sean A y B dos eventos tales que:

P (A) = 0.60
P (B) = 0.20
P (A/B) = 0.10

13

Evaluar las siguientes probabilidades:

PA
P( A )

P( A )

P( A )

( A B) P( A ) , ( A B)
( A B)

P( AUB ).

- Pruebe que si A y B son eventos independientes entonces A y B c, Ac y B, Ac y B, Ac y Bc

tambin lo son. Halle la condicin para que dos eventos disjuntos sean independientes.
Cul de las siguientes igualdades se cumple:
SI
___
___
___

NO
___ (A B) ( A C) A (B C)
___
(A B) ( A B) B
___
(A ' B) ( A B)

2._ Se debe examinar un grupo grande de personas respecto a dos sntomas comunes de
cierta enfermedad, se considera que 20% de las personas presentan solamente el sntoma A,
30% tienen solamente el sntoma B, 10% tienen ambos sntomas, y el resto no tiene sntoma
alguno. Para una persona escogida al azar de este grupo, encuentre las probabilidades de
los eventos siguientes.
2.1) a) Que la persona no presente sntoma alguno.
b) Que la persona presente al menos un sntoma.
c) Que la persona presente ambos sntomas dado que presenta el sntoma B.
2.2) Sea Y la variable aleatoria que representa el nmero de sntomas que presenta una
persona elegida al azar del grupo. Calcule las probabilidades asociadas a cada valor de Y.
3._ Se escogen cinco cartas de una baraja comn de 52 Cul es la probabilidad de que las
cinco cartas sean del mismo palo?
4._ Se tienen 2 cajas, la caja A, contiene 4 fichas blancas y 5 fichas rojas. La caja B, contiene
3 fichas blancas y 2 fichas rojas.
Se lanza un dado. Si el dado resulta en el nmero 1 o 2, se toma una ficha al azar de la caja
A y se coloca en la caja B. Posteriormente, se revuelve la caja B, y se extrae finalmente una
ficha.
Si el dado resulta en los nmeros 3, 4,5, o 6, se toma una ficha al azar de la caja B se
coloca en la caja A. Posteriormente, se revuelve la caja A y se extrae finalmente una ficha.
Cul es la probabilidad de que la ficha finalmente extrada, sea roja?
5._ Si consideramos que en un lanzamiento de 10 dados por lo menos uno fue As Cul es
la probabilidad de que resulten 2 ms Ases?

14

6._ Una maquinaria para producir un nuevo tubo electrnico experimental genera tubos
defectuosos de vez en cuando, de una manera aleatoria. El Ingeniero Supervisor de una
mquina en particular, ha notado que los tubos defectuosos parecen agruparse (y, por tanto,
aparecen de manera no aleatoria) y esto sugiere el mal funcionamiento de alguna parte de la
mquina, una prueba para detectar la no aleatoriedad de un evento, se basa en el nmero de
corridas de artculos defectuosos y buenos (una corrida es una sucesin no interrumpida de
artculos defectuosos, o de artculos buenos), mientras ms pequeo sea el nmero de
corridas, ms grande es la evidencia que indica la no aleatoriedad. De doce tubos producidos
por la mquina, los primeros 10 eran buenos y los dos ltimos defectuosos
(BBBBBBBBBBDD), suponga la aleatoriedad.
a) Cul es la probabilidad de observar la secuencia antes mencionada (resultante de dos
corridas) Dado que 10 de los 12 tubos son buenos?
b) Cul es la probabilidad de observar dos corridas?
c) Cul es la probabilidad de que el nmero de corridas R sea R 3?
7._ Usando las leyes de probabilidades para dos eventos, demostrar que:
a) P( A B C) P( A ) P(B) P(C) P( A B) P( A C) P(B C) P( A B C)
b) P( A B C) P( A )P(B / A )P(C / A B)
8._ - En cierta fbrica hay tres mquinas identificadas como 1,2 y 3. Al final de cada da las
mquinas son inspeccionadas para decidir si requieren con la inspeccin diaria de las
mquinas, sean A1, A2 y A3 eventos definidos como sigue:
a) Exprese en funcin de los Ai los siguientes eventos:
a-1) ninguna de las mquinas requiere mantenimiento.
a-2) al menos una de las mquinas requiere mantenimiento.
a-3) al menos dos de las mquinas requieren mantenimiento.
b) Considere que los eventos Ai son independientes entre s y que P (A1) = 0.10,
P (Z2) = P (A3) = 0.05.
b-1) Si exactamente dos mquinas requieren mantenimiento. Cul es la probabilidad de que
la mquina 1 requiera mantenimiento?.
b-2) Si al menos una de las mquinas requiere mantenimiento, Cul es la probabilidad de
que la mquina 1 no requiera mantenimiento?.
9. _ Se dispone de un grupo de 20 msicos de los cuales 5 son guitarristas. De este grupo de
msicos se formar una banda de 4 integrantes escogidos totalmente al azar.
a. Cul es la probabilidad de que al menos sea escogido uno pero no ms de dos
guitarristas?
b. Cul es la probabilidad de que el primero o el cuarto escogido sean guitarristas?
c. Cul es la probabilidad de que el segundo sea guitarrista si conocemos que en el grupo
seleccionado hay un guitarrista exactamente?
15

10._ Se tiene una fbrica donde se producen filtros de Aceite. Se conoce que diariamente se
producen 10.000 filtros y que de esa produccin histricamente el 2% es defectuoso. Para
controlar la calidad del producto se toman 50 filtros y se observan. Si aparecen 2 ms filtros
defectuosos se inspecciona el equipo. Se pregunta: Cul es la probabilidad de que durante
7 das consecutivos en 3 de ellos sea necesario inspeccionar la maquinaria?
11._ Supngase que dos refrigeradores defectuosos han sido incluidos en un envo de seis
refrigeradores uno por uno sin reemplazo.
a) Cul es la probabilidad de que se encuentre el ltimo refrigerador defectuoso en la
cuarta prueba.
b) Cul es la probabilidad de que no haya que probar ms de cuatro refrigeradores para
encontrar los dos defectuosos.
c) Dada que uno de los dos defectuosos ha sido identificado se encuentre en la tercera o
cuarta prueba.
12._ Pedro recibe un promedio de 5 llamadas entre las 9 y las 10 a.m. en das laborables,
recibindolas al azar. I) Encontrar la probabilidad de que Pedro reciba una (1) o ms
llamadas entre las 9 y las 10 a.m. de un da cualquiera. ii) Encontrar la probabilidad de que
reciba exactamente dos (2 llamadas entre las 9 y las 9:12 a.m. iii) calcule la probabilidad de
que en una semana de cinco (5) das haya exactamente dos (2) das cuando Pedro no
reciba llamadas entre las 9 y las 9:12 a.m.
13._ Una mquina encartonadora funciona satisfactoriamente el 97% del tiempo y en tales
circunstancias produce con una fraccin defectiva del 1% un funcionamiento insatisfactorio
ocurre cuando hay desajustes en las guas que lleva los estuches y en tal caso el 10% de los
artculos son defectuosos. Un da cualquiera se seleccionan 10 artculos al Azar Cul es la
probabilidad de que hayan al menos dos defectuosos?
14._ Se afirma que una prueba para diagnosticar una enfermedad la detecta con una
probabilidad de 0.9 si la persona tiene la enfermedad. Si una persona no est afectada por la
enfermedad, la prueba tambin indicar que no la tiene con la tiene con probabilidad de 0.9.
Solamente 1% de la poblacin tiene la enfermedad en cuestin. Si se escoge una persona al
Asar de la poblacin y el diagnstico indica que tiene la enfermedad Cul es la probabilidad
de que realmente tenga la enfermedad? Es confiable la prueba?
15._ Para ir a su trabajo un individuo puede hacerlo en autobs o en tranva y eso lo hace
con probabilidades 0,3 y 0,7 respectivamente, cuando viaja en autobs, llega tarde el 30% de
las veces, y cuando viaja en tranva llega tarde 20% de las veces. Dado que un da
determinado el individuo llega tarde Cul es la probabilidad que haya viajado en autobs?
16._ Se ensea a un mono a reconocer los colores al introducir una pelota roja, una negra y
una blanca en una caja de los mismos colores, una bola para cada caja. Si el mono no ha
aprendido los colores y simplemente echa una pelota en cada caja al azar, encuentre las
probabilidades siguientes:
a) No hay correspondencia en los colores.
b) Hay una sola correspondencia de colores.

16

17._ Un estudiante contesta una pregunta que ofrece cuatro soluciones posibles en un
examen de seleccin simple. Suponga que la probabilidad de que el estudiante sepa la
respuesta a la pregunta es de 0.8 y la probabilidad de que tenga que contestar al azar, es 0.2.
Suponga adems que la probabilidad de seleccionar la respuesta correcta cuando se
responde al azar es de 0.25.
Si el estudiante contesta correctamente la pregunta, Cul es la probabilidad de que
realmente sepa la respuesta correcta?
18._ En bsqueda de un Gerente para ocupar el cargo de Gerente General en una pequea
empresa perteneciente a un grupo de Empresas Metalmecnica, se tiene 3 candidatos.
El concurso se basa en 3 etapas a ser cubiertas en forma consecutiva:
Etapa 1: se someten a una prueba escrita.
Etapa 2: se entrevistan con el Director de Mercadeo.
Etapa 3: se entrevistan con los Directores de Finanzas y Produccin.
Para que un candidato quede seleccionado en estas tres etapas deber aprobar cada una de
ellas. En el momento en que desapruebe una de ellas queda eliminado.
A continuacin se indica las probabilidades de que cada candidato apruebe en cada una de
dicha etapas en forma independiente:
CANDIDATO
1
2
3

ETAPA 1
0.92
1.00
0.85

ETAPA 2
1.0
0.8
0.6

ETAPA 3
0.75
0.95
1.00

Determine las siguientes probabilidades:

1) Exactamente un candidato queda seleccionado.
2) Si al cabo de la primera etapa, todos los candidatos han aprobado. Cul es la
probabilidad de que al final ninguno sea seleccionado?
3) Realizar una operacin hasta obtener resultado satisfactorio haber efectuado tres
realizaciones. Realizaciones independientes con probabilidad de resultado satisfactorio igual
a 0.6 Piense el tipo de pregunta que se podra hacer?
19._ Si la probabilidad de acertar en el blanco es 1/5 y se hacen disparos en forma
independiente.
a) Cul es la probabilidad de acertar por lo menos dos veces?
b) Cul es la probabilidad del evento anterior si se acert por lo menos una vez?
c) Cul es la cantidad esperada de disparos acertados y su varianza?
20._ Si un grupo de 100 artculos contiene 5 artculos defectuosos, halle la probabilidad de
que una muestra aleatoria de 5 artculos contenga 1 defectuoso.
21._ Supngase que la variable aleatoria X tiene valores posibles 1, 2,3, Y P(x=j) =

1
2j

j= 1,2,..
a) Calcular P(X es par)
b) Calcular P(X 5)
c) Calcular P(X es divisible por 3)

17

22._ Cierto procedimiento de realizarse en no ms de 10 minutos. Cada vez que el

procedimiento se realiza, la probabilidad de completarlo dentro del tiempo requerido es de
0.90. Las realizaciones del procedimiento son independientes. Contando a partir de cierta
realizacin, si las primeras tres realizaciones se han realizado dentro del tiempo requerido,
cul es la probabilidad de que la primera vez que el procedimiento es efectuado en un
tiempo excesivo ocurra antes de la octava realizacin?
23._ Una aerolnea sabe que el 5% de las personas que hacen una reservacin para un
determinado vuelo no se presentan al momento de la partida. Por ste motivo la compaa
area ha decidido como poltica vender 52 pasajes en aquellos vuelos en los cuales hay
cabida para 50 pasajeros Cul es la probabilidad de que halla un asiento disponible para
cada pasajero que se presente?
(Deje los clculos indicados)
24._ Un jugador de baloncesto, acierta un tiro libre con una probabilidad del 70%. El jugador
lanza (once) 11 tiros libres.
a) Cul es la probabilidad de que acierte 8 o ms tiros libres?
Asuma independencia entre los lanzamientos. (Nota: esta suposicin no es muy realista,
pues no considera elementos como el cansancio y el aprendizaje).
b) Cul es la cantidad esperada de tiros libres acertados y su varianza?
25._ Supngase que usted ha contratado la semana pasada cinco nuevos empleados y que
la probabilidad de que un empleado haya falsificado la informacin en su solicitud de trabajo
es 0.35. a) Cul es la probabilidad de que al menos una de las cinco solicitudes haya sido
falsificado? b) dos ms? c) Si su compaa tiene 2.300 empleados Cul es el valor
esperado del nmero y de solicitudes que hayan sido falsificadas?
26_ En un juego una persona recibe $ 15 cuando saca una jota una reina y recibe $5.00
si saca un Rey un As. Si saca cualquier otra carta tiene que pagar $ 4.00 Jugara usted?
Justifique su respuesta.
27._ Una mquina produce unidades de cierto artculo bajo condiciones esencialmente
iguales. Alrededor de 5% de las unidades producidas por la mquina son defectuosas. Un
inspector clasifica independientemente unidades producidas por la mquina en cuestin. Si
una unidad es defectuosa, la probabilidad de que el Inspector la clasifique como defectuosa
es de 0.95, mientras que si una unidad es buena, la probabilidad de que el Inspector la
clasifique como buena es de 0.98, Considere un grupo de 20 unidades a ser clasificadas por
el Inspector.
a) Cul es la probabilidad de que a lo sumo dos de las unidades sean mal clasificadas?
b) Cul es la probabilidad de que por lo menos diecisis de las unidades sean clasificadas
como buenas?
28._ Supngase que un depsito contiene 10.000 partculas. La probabilidad de que una de
estas partculas salga del depsito es igual a 0,0004 Cul es la probabilidad de que ocurran
ms de 5 salidas? (suponga independencia en las salidas).

18

29._ En un almacn se encuentran 210 piezas de las cuales 42 presentan problemas de

calidad. Una empresa del mercado hace un pedido de 20 piezas. El inspector del almacn se
dirige al mismo y toma una muestra del tamao del pedido y si se consiguen a lo sumo
cuatro piezas con defectos de calidad, se acepta el lote y lo enva a la compaa que
demand dicha cantidad.
a) Cul es la probabilidad de que el inspector tenga la necesidad de tomar la segunda
muestra e inspeccionarla?
b) Cul es la probabilidad de que el inspector tenga que revisar ms de 9, pero menos de
15 piezas para tomar la decisin de rechazar el lote?
30._ Un sistema de proteccin area en Chechenia cuenta con un sub -sistema que detecta
la incursin de aviones enemigos en zona prohibida el 80% de las oportunidades, y de un
sub -sistema de defensa que derriba el 60% de los aviones que entran en dicha zona.
a) Si en un da cualquiera 15 aviones enemigos penetran en dicha zona. Cul es la
probabilidad de que cuando ms 12 pero no menos de 9 sean derribados, si se sabe que al
menos 5 fueron derribados?
b) Cul es la probabilidad de que tengan que incursionar cuando menos 8 pero no ms de
12 aviones para observar el quinto avin no derribado?
31._ En una prueba de conocimientos generales. Pedro tiene que responder 250 preguntas.
Para cada pregunta, Pedro tiene independientemente una probabilidad de 0.05, 0.8, 0,15
de obtener una calificacin de 0, 1, 2, respectivamente. Calcular la probabilidad de que la
calificacin total de Pedro sea mayor que 290. Explique claramente sus resultados.
32._ Una mquina produce al azar un dos por ciento de artculos defectuosos. Calcular la
probabilidad de que en una muestra de 100 artculos producidos por la mquina, se tengan
menos de 3 artculos defectuosos.
33._ Se tienen 4 fbricas proveedoras de ciertos materiales elctricos (resistencias, fusibles y
condensadores). En la tabla siguiente se dan las proporciones y la fraccin defectiva de
cada fbrica para cada componente.

PROVEEDOR
A
B
C
C

RESISTENCIA
fd%
Prop.
0,5
1
1,5
1
0,75
2
-----

FUSIBLES
fd%
Prop.
1
1
0,01
2
0,05
1
-----

CONDENSADORES
fd%
Prop.
0,05
1
0,05
1
0,05
2
0,05
3

Si tenemos todos los componentes del mismo tipo juntos, y se empaquetan 2 resistencias, 1
fusible y 2 condensadores, formando un KIT.
a) Calcule la probabilidad de que en un Kit haya al menos un componente malo.
b) Dados 5 Kit, cul es la probabilidad de tener por lo menos 2 Kit malos.
c) Dado que en un Kit. Una resistencia se encuentra mala, cul es la probabilidad que sea
del proveedor B.

19

34._ Un fsico toma 25 medidas independientes de la gravedad especfica de cierto cuerpo.

Sabe que las limitaciones de su equipo son tales que la desviacin tpica de cada medicin
es unidades. Encuentre la probabilidad de que el promedio de sus mediciones difiera de la
verdadera gravedad del cuerpo en menos de .
35._ Un fabricante ensamblador de computadoras, alquila con opcin a compra sus equipos
y ofrece a sus clientes, servicio de mantenimiento. Datos estadsticos indican que de cada
cien llamadas, 60 son debidas a fallas en la fuente de poder; 30 por errores en la operacin;
y 10 debido fallas del CPU. Si las llamadas varan aleatoriamente con respecto a la causa de
la falla, Cul es la probabilidad de que en las prximas 6 llamadas, tres sean por fallas en la
fuente de poder y tres por errores de operacin?
36._Cualquier persona que se detiene en una estacin de gasolina solicita:
- Revisin de neumticos con probabilidad 0.12
- Revisin de aceite con probabilidad 0.29
- Ambas cosas con probabilidad 0.07
a) Cul es la probabilidad de que una persona dada solicite al menos uno de los
servicios?
b) Si una persona dada solicita revisin de aceite. Cul es la probabilidad de que no
pida revisin de cauchos?
c) Considere diez personas que se detienen en la estacin. Asuma que solicitan
servicios independientemente entre s. Cul es la probabilidad de que al menos dos
de ellas pidan revisin de aceite y de cauchos?
37._ Se seleccionan al azar diez artculos de un lote grande. El lote se acepta si ninguno de
los diez artculos es defectuoso y se rechaza si dos ms son defectuosos. Si uno de los
diez artculos est defectuoso, se obtiene otra muestra de diez y el lote se rechaza si en los
veinte artculos el nmero total de artculos defectuosos es de dos ms; de lo contrario el
lote se acepta. Calcular la probabilidad de aceptar el lote si el 5% de los artculos en el lote
son defectuosos.

20

CAPITULO II
VARIABLES ALEATORIAS
DEFINCIN: UNA VARIABLE ALEATORIA X De un espacio muestra S es una funcin de
S en el conjunto de los nmeros reales R, tal que la imagen inversa de cada intervalo de R
es un evento ( suceso) de S.
OBSERVACIN Si S es un espacio discreto en el cual cada subconjunto es un suceso,
entonces cada funcin de valores reales de S es una variable aleatoria pero si S es no
contable, existen ciertas funciones de valores reales de S que no son variables aleatorias.
TEOREMA Sean X e Y variables aleatorias del mismo espacio muestral S entonces X+Y,
X+k, kX, XY con K e R son variables aleatorias definidas por
(X+Y) (s) = X (s) + Y (s)
(X+ k) (s) = X(s) + k

(K(X) (s) = K X(s)

(XY) (s) = Y (s)

S S

NOTACIN P(X =a) P(a X b) P(X a) P(X = a, Y = b)

P(X=a) = P ({s S / X s a P (a X b) = P ( {s S / a X s b

DISTRIBUCIN Y ESPERANZA DE UNA VARIABLE ALEATORIA FINITA

DEFINICIONES Sea X una variable aleatoria de un espacio muestral S con el conjunto
imagen finito. A saber X(S) = {X1, X2, .Xn}. Convertimos X(S) en un espacio de
probabilidad definiendo la probabilidad de X i como P(X = xi) que escribimos f(Xi)m esta
funcin f: X(S) definida por f(Xi) = P( X = Xi) se llama Funcin de Distribucin
Probabilidad de X.
La distribucin f satisface las condiciones siguientes:
n

i) f (Xi) 0

ii)

f x 1
i

i1

Se expresa generalmente en forma de tabla

Xi

X2

f(X1) f(X2)

Xn
f(Xn)

Si X es una variable aleatoria con la distribucin anterior, entonces la Media esperanza

valor esperado de X, denotada por E(X) ux se define como E(X) = X1 f(X1) + X2 f(X2)
n

y+ Xn f (Xn) =

x
i 1

f (X i ) =

x p( X
i 1

TEOREMA X variable aleatoria y k un nmero real, entonces

i) E (kX) = kE(X)
ii) E(X+k) = E(X) + k

21

TEOREMA Sean X e Y variable aleatoria del mismo espacio muestral S Entonces:

E (X + Y) = E (X) + E (Y)
DEFINICIONES Sea X una variable aleatoria con distribucin Xi f(X1)
Entonces La varianza de X denotada por VAR (X) se define como:

VAR (X) =

u f X i EX u

Donde u es la media de X
La Desviacin estndar Desviacin Tpica de X denotada por
x es X = VAR ( X)
n

TEOREMA VAR (X) =

x f x u
2

i1

E x 2 u2

TEOREMA Sea X una variable y k un nmero Real, entonces

i) Var (X + k) = Var(X) ii) Var (kX) =K2 Var (X)
Por lo tanto x+k = x y kx = K x
NOTAS:
a) Supngase que para cada punto Xi sobre el eje X se coloca una unidad con masa f (Xi.).
Entonces la media es el centro de gravedad y la varianza es el momento de inercia del
sistema.
b) muchas variables aleatorias dan origen a la misma distribucin; de aqu que nos refiramos
a la media, la varianza y la desviacin estndar de una distribucin en lugar de la variable
aleatoria fundamental.
c) Sea X una variable aleatoria con media u y desviacin estndar > 0. La variable aleatoria
Zx estandarizada que corresponde a X se define pro
xu
Kk =
Compruebe E (Xx) = 0 Var (Xx) = 1

DISTRIBUCIN CONJUNTA
DEFINICIN: Sean X e Y variables aleatorias de un espacio Muestral S con los respectivos
conjuntos imagen X(S)= { X1, X2,,Xn} Y (S) = {Y1,Y2,,Ym}
El conjunto producto X(S) x Y (S) = {(X1, Y1), (X1, Y2),, (Xn, Ym) } es un espacio de
probabilidad definiendo la probabilidad de la pareja ordenada (X i, Yi) como P(X =Xi, Y =Yj)
que escribimos h(Xi,Yi) esta funcin h de X(S) x Y(S) definida por h(Xi, Yj) se llama
distribucin conjunta funcin de probabilidad conjunta de X e Y y se da en forma de tabla.
X

Y1
Y2
h(x1,y1) h(x1,y1)

X1
X2
.
Xn
h(xn,y1) h(xn,y2)
SUMA g(y1)
g( y2)

..

Ym
SUMA
h(x1,ym)
f(x1)
h(x2,ym)
f(x2)
h(xn,ym)
g (ym)

f (xn)
1
22

 hx y
m

Las funciones f y g se definen por: f (xi) =

i,

J 1

g ( yj) =

h( x y )
i,

i1

Se llaman distribuciones Marginales

1

La Distribucin conjunta h satisface i) h (xi, yi) 0

ii)

h( x y ) 1
1i j1

DEFINICIN X e Y Var aleatorias con la distribucin conjunta anterior con medias u x

entonces la covarianza de X e Y denotada por COV (x, y)
Se define por COV (x, y) =

x (x
i

x )( yi y )h( xi , y j ) = E ( x x )

i, j

TEOREMA COV (X, Y) =E (xy) - x y =

x y h( x , y
i

) xy

ij

DEFINICIN DE LA CORRELACIN DE X e Y Denotada por (X, Y) se define por

COV ( X , Y )
, la correlacin es no dimensionada y tiene las siguientes propiedades.
( x, y )

XY

i) ( x, y) ( y, x)

ii) 1 1

iii) ( x, x) 1

( x,x) 1

iv) (ax b), cy d ) ( x, y)si a, c 0

OBSERVACIN COV (x,y) y ( x, y ) son medidas de la manera como X e Y estn
relacionadas entre si.
Nota: La nocin de una distribucin conjunta h se extiende a un nmero finito de variables
aleatorias de manera obvia.
VARIABLE ALEATORIA INDEPENDIENTES
DEFINICIN: Se dice que un nmero finito de variables Aleatorias X 1, X2,, Xn de un
espacio muestral S son INDEPENDIENTES si
P(X1= X1i, X2 = X2i, Xn = Xni) = P (X1 = X1i)*P (X2 = X2i)* P (Xn = Xni)
En particular X e Y son independientes si P(X=x i) (Y = yj) = P(X=xi) P (Y=yj)
Ahora si X e Y tienen las distribuciones f y g respectivamente y la distribucin conjunta h,
entonces la ecuacin anterior se puede escribir h (Xi, Yj) = f (Xi) g (yj)

23

En otras palabras X e Y son independientes si cada elemento h(X i ,Yj) es el producto de sus
elementos marginales.
TEOREMA Sean X y Y v.a.i. entonces i) E (XY) = E(X) E (Y)
ii) Var (X+Y) = var(X) + var (Y) iii) Cov (X,Y) = 0
TEOREMA Sean X1, X2,, Xn v.a.i entonces Var (X1+ X2+.+Xn) = Var (X1) ++
Var (Xn).
GENERALIZANDO
Sean X e Y v.a de S, se dice que Y es una funcin de X si Y se puede representar por alguna
funcin de valor real de una variable real Y = (x), esto es Y (s)= x(s)s S
Ejemplos kX, X2, X+k (X+k)2 son funciones de X con ( x) kx, x 2 , x k( x k ) 2
TEOREMA X e Y v.a. de S. Y = ( x ) entonces E (Y)=

( x ) f ( x )
i 1

Donde f es la funcin de distribucin de x

Similarmente una v.a. Z es funcin de X e Y si Z= ( x, y)
Esto es Z(s)= X (s), y(s)s S
TEOREMA Sean X, Y, t v.a. de S con Z = ( X, Y) entonces
E (Z) = ( X i , Yj )h( xi , y j ) donde h es la distribucin conjunta de X e Y
i, j

X v.a. de S con un conjunto imagen infinito contable, o sea X(S)= {X 1, X2,..}. Convertimos
X(S) en un espacio de probabilidad definiendo la probabilidad de X i como f (Xi) = P(X= Xi) y
llamamos f la distribucin de X.

E(X) =

Xi f ( Xi )

Var (X)=

i1

x
i1

u f ( x i ) cuando estas series convergen

2

TEOREMA Var (X) existe si y solo si u = E(X) y E(X2) existen ambos y var(X) = E(x) 2 u2
como en el caso finito.
DEFINICIN Var (X) existe, se define la desviacin estndar
x Var ( x )
Es fcil extender las nociones de distribucin conjunta, v.a.i y funciones de variables
aleatorias, adems si existen Var (x) y Var (y) (x,y v.a. sobre S)

(x

Entonces COV (X,Y) =

u x )( y 2 u y )h( x i , y 2 ) existe y se cumple la relacin:

i, j

COV (X,Y) =

x y h( x y
i

) u x uy

i, j

DEFINICIN Las variables aleatorias cuyo conjunto imagen es finito contablemente infinito
se llaman DISCRETAS

24

DEFINICIN Una variable aleatoria cuyo conjunto imagen es un intervalo se llaman

continuas. De la definicin de variables aleatorias tenemos que a X b es un suceso de
S y por consiguiente P(a X b) est bien definida. Entonces existe una funcin continua
f: R R tal que P a x b

f ( x )dx . La funcin f se llama funcin de distribucin o de

probabilidad continua funcin de densidad de la variable aleatoria continua x que satisface.

f ( x)dx 1

I) f (x) 0 ii)

El valor esperado de X E(x) =

xf ( x)dx cuando existe.

R

Las funciones variables aleatorias se definen justamente como en el caso discreto y puede
demostrarse que si Y= ( X), entonces
E(Y) =

( x)f ( x)dx cuando la integral existe

R

La varianza Var (x) se define por Var (x)= E ((x-u)2=

( x u) f ( x)dx
2

Cuando existe la integral, se puede demostrar que Var (x) existe si y solo s existen u=E(X) y
E(X2) u2 = x 2 f ( x )dx u 2
R

La desviacin estndar x =

Var ( X) cuando Var (x) existe

DEFINICIN Un nmero finito de variables aleatorias continuas a saber X i,X2,,Xn se dice

que son INDEPENDIENTES, si para unos intervalos
a11,a12 ,a21,a22 ,...an1,a2
p (a11 X1 a12, a21 X2 a22, .an1 Xn an2) =
p (a11 X1 a12) . p (a21 X2 a22).p(an1 X1 a22)..p(an1 Xnan2)
FUNCIN DE DISTRIBUCIN ACUMULATIVA
Sea X una variable aleatoria (discreta continua), la funcin de distribucin acumulativa F de
X es la funcin F: R R definida por f(a) = p (x a). F es montona creciente. F(a) F(b)
siempre que a b y el lmite de F por la izquierda es o y por la derecha es 1
Lim F(x) = 0 lim F(x) = 1

f ( x ) donde f es la distribucin de probabilidades de

Si X es discreta F(x) =

x i x

Si X es continua F(x) =

X.

f ( t )dt donde f es la funcin de densidad de probabilidades de X.

25

TEOREMA (DESIGUALDAD DE TCHEBYCHEFF) sea X una variable aleatoria con media u

y desviacin estndar , entonces para cada:
>0

p( (x-u)| )

2
2

TEOREMA (LEY DE LOS GRANDES NMEROS) Sea X1, X2,.una sucesin de variables
aleatorias independientes con la misma distribucin con media u y varianza 2, Sea S n
(s1+X2+.xn) /n, entonces para un:
> 0 Lim P(| S n u | = ) 0
n

equivalente

lim P (| S n - u) < = )1

EJERCICIOS
a) se lanza un dado corriente, designemos x como el doble del nmero que aparezca y
denotemos y como 1 3 segn el nmero sea impar o par. Hallar la distribucin, la
esperanza, la varianza y la desviacin estndar de:
i) X ii) Y iii) X+Y iv) XY
b) Halle la esperanza de los lanzamientos de una moneda hasta que resulte cara 5 sellos.
c) Sea X v.a y Y = X2 Distribucin de X
Xi
-2 -1 1
2
F(xi) 1/4 1/4 1/4 1/4
Determine: i) La Distribucin de Y
ii) La Distribucin conjunta de X e Y
iii) Cov (X,Y) y P(X,Y)
FUNCIONES DE VARIABLES ALEATORIAS
DEFINICIN Sea C un evento (subconjunto) asociado con el recorrido Y, R y, como se
describi anteriormente. Defnase B C Rx como sigue
B=

x Rx / H (x) C

en palabras, B es el conjunto de los valores de x tales que

H(x) C, Si B y C estn relacionados de esta manera se llaman EVENTOS

EQUIVALENTES.
DEFINICIN: Sean X v.a sobre S (espacio muestral), Rx el recorrido de X, H una funcin
real, sea la v.a Y = H(x) con recorrido R y, para cualquier evento C con recorrido R y se define
P(C) = P x Rx / H (x) C , es decir, la probabilidad de un evento asociado con el
recorrido de Y esta definida como la probabilidad del evento equivalente en trminos de X.
que tambin se puede escribir:
P(C) = P x Rx / H ( x) C P1 S / H ( X (s) C
26

OBSERVACIN: No toda funcin de una variable aleatoria da como resultado una v.a sin
embargo las funciones que aparecen en las aplicaciones estn entre las que se pueden
considerar y no nos preocuparemos por sta dificultad.
CASO 1 Sea X una v.a discreta, Y = H(x) tambin es una v.a discreta.
a) Sean X1, X2, Xn,..los valores posibles de X, p(xi) = P(X=xi) y H es una funcin tal que a
cada valor de y le corresponda exactamente un valor de x, entonces la distribucin de
probabilidades de Y se obtiene:
Valores posibles de Y yi = H (xi)
i= 1,2.
Probabilidades de Y g (yi) = P (Y=yi) = p (xi)
b) A menudo la funcin H no tiene esta caracterstica, y varios valores de X dan el mismo
valor de Y, sean Xi1, Xi1,,Xik,., los valores de X que tienen la propiedad H (Xij)= Yi para
toda j, ENTONCES:
g (yi) = P(Y=yi) = p(xi1) + p (xi2) +
CASO 2 X una V.A. continua. Y= H (x) toma valores discretos, para obtener la distribucin
de probabilidades de Y, determine el evento equivalente (en el recorrido de X, Rx) que
corresponde a los diferentes valores de Y. Si {Y = yi) es equivalente a un evento A, en el
recorrido de X entonces.
g (yi) = P(Y= yi) = f ( x )dx
A

CASO 3 Sean X una V.A. continua, H una funcin continua, f la funcin de densidad fdp de X,
Entonces Y= H(x) es una V.A. continua y queremos hallar su f.d.p.
- Obtenga G, la f.d.a de Y, donde G (y) = P (Y y), despus de encontrar el evento A (en R x)
que equivale al evento {Y y}
- Diferencie G (y) con respecto a y para obtener g (y)
- Determine estos valores de y en Ry para los cuales g (y) >
Lo ms importante aqu es sustituir el evento {Y y} por el evento equivalente en trminos de
la V.A. X. Esto es sencillo si la funcin es una funcin estrictamente montona (creciente
decreciente) de X. es decir podemos resolver y= H(x) para x en trminos de y, x= H -1(y)
donde H-1 es la funcin inversa de H. As si H es estrictamente creciente {X (x) y} equivale
A {H H -1(y)} mientras que si H es estrictamente decreciente { H (X) y}equivale A { X H -1
(y)}
TEOREMA Sea X una V.A. continua con fdp f donde f(x) > 0 para a x b, supngase
que y= H(x) sea una funcin estrictamente montona (creciente decreciente) supngase
que H es derivable (por lo tanto continua) para todo x. Entonces, la variable aleatoria y
dx
definida como Y= H(X) tiene una fdp y dada por g (y) = f(x)
donde x se expresa en
dy
trminos de y, si H es creciente, entonces y es distinta de cero para los valores de y que
satisfacen.
H(a) y H (b), si H es decreciente, entonces g es distinta de cero para los valores de y que
satisfacen H (b) y H (a)

27

EJEMPLOS
2x 0 x 1

1) Supngase que X tiene f.d.p f(x) =

Sea H(x) = 3x + 1. Para otra parte

Encontrar la fdp de Y= H (x) tenemos G (y) = P (Y y) = P (3X + 1 y)

= P (X (y 1)/3)
Y
Y= 3X +1

( y 1) / 3

2xdx ( y 1) / 3

X= (y-1)/3

As g (y) = G1 (y) =

2
( y 1)
9

Puesto que f(x) > 0 para 0 x 1 encontramos que g(y) > 0 para 1 y 4 el evento A que
equivale al evento { Y y}es simplemente {X (y 1)/3 } por otro mtodo tenemos G(y) =
dG( y ) dG( y ) du
y 1
y 1

.
P(Y y) = P ( X
donde F es la FDA de X
donde u=
)=F(
dy
du dy
3
3
y 1
y 1
por lo tanto G1(y) = F1 (u). 1/3 = f(u) . 1/3 = 2 (
) . 1/3
3
3
tambin usando el Teorema se tiene f(x)= 2x 0 x 1
y= 3x + 1 por lo tanto X= (y-1)/3
dx
1/ 3 . As g (y) = 2 ( y 1) / 3 1/ 3 2 / 9( y 1) 1 y 1 que concuerda con el resultado
dy
anterior.
2) X v.a continua como en 1), sea H(x) = x para encontrar la f.d.p de Y = H(x) hacemos:
G= (y) =P (Y y) = P ( x y ) P( x ln y )

ln y

2xdx 1 ( ln y )2 por lo tanto g(y)

= G1(y) = -2 ln y/y, puesto que f(x) > 0 para 0 < X < 1 encontramos que g(y) > 0 para 1 < y

<1 igual que antes.

-1<x<1
sea H(x) = x2 que no es una funcin montona
O
otro caso
en todo el intervalo [-1,1], entonces
2
G/y) P (Y y) = P(x y) = P (- y X y ) F y ) = - F y
3) f(x) =

Donde F es la FDA de la V.A. X, por lo tanto

28

g (y) = G1(y)=

f ( y)
2 y

f ( y )
2 y

1
2 y

1
1
1
As g (y) = y ( 1 )
y
2 2
2
2

f (

y ) f ( y

0<y <1

Lo que conduce al siguiente resultado general.

TEOREMA X v.a continua con f.d.p
1
=
f ( y ) + f ( y )
2 y

f,

y = x2, entonces Y tiene una f.d.p dada por

g(y)

VARIABLES ALEATORIAS BIDIMENSIONALES CONTINUAS

DEFINICIN: (X,Y) es una v.a Bidimensional continua si puede tomar todos los valores en
un conjunto no numerable del plano euclidiano.
OBSERVACIN: Puede suceder que uno de los componentes (x, y) sea discreto y el otro
continuo.
DEFINICIN: (X,Y) v.a.b continua que toma todos los valores enana regin R del plano
euclidiano, la Funcin de densidad de probabilidades conjuntas f es una funcin que
satisface las condiciones siguientes:
a) f(x, y) 0
b)

( x, y) R

f ( x, y)dxdy 1

OBSERVACIN: f ((x,y) = 0 ( x, y) R y se puede considerar

R2

f ( x, y)dxdy

DEFINICION: Sea (X,Y) v.a.b La funcin de distribucin acumulativa (FDA) F de la v.a.b.

(X,Y) est definida por F(X,Y) = P (X , Y y)
F es una funcin de dos variables y tiene propiedades anlogas a la FDA unidimensional se
mencionar ste 2 F ( x, y) / xy f ( x, y), donde F sea diferenciable. Resultado anlogo al
dF ( x)
f ( x) donde f es la f.d.p de una v.a unidimensional.
de una dimensin
dx
DEFINICIN: Sea f f.d.p. de una v.a.b.c (X, Y). Se definen g y h las funciones de densidad
de probabilidades marginales de:
X como g(x) =

f ( x, y )dy

y como h (y) =

f ( x, y )dx

Estas f.d.p. corresponden a las f.d.p. bsicas de las v.a unidimensionales X e Y

respectivamente es decir:
P (a X b) = P ((a X b); - < Y < )

f ( x, y)dydx g ( x)dx
c

29

DEFINICIN: Sea (X,Y) v.a.b.c con f.d.p. conjunta f, sean g y h las f.d.p. marginales de X y Y
la f.d.p. condicional de X para Y =y dada, est definida por
f ( x, y )
h( y ) > 0
g (x/y) =
h( y )
f ( x, y )
g ( x) > 0
La f.d.p. condicional de Y para X=x dada, se define h (y/x)=
g ( x)
OBSERVACIN: Las f.d.p. condicionales son f.d.p. unidimensionales, por ejemplo para y fija
tenemos g(x/y) 0 y

f ( x, y )
1
h( y )
g
(
x
/
y
)
dx

dx

h( y) h( y) f ( x, y)dx h( y) 1
Anlogamente para h (y/x)
OBSERVACIN: Una interpretacin intuitiva de g(x/y) se obtiene si consideramos la
superficie representada por la f.d.p. conjunta f con el corte del plano y=c, la interseccin del
plano con la superficie Z= f(x,y) resultar en una f.d.p. unidimensional, llamada la f.d.p. de X
para y= c, esta es precisamente g(x/c).
DEFINICIN: Sea (x,y) v.a.b decimos que X y Y son v.a INDEPENDIENTES, si y slo si
f (x,y) = g(x) h(y) ( x, y) , donde f es la f.d.p. conjunta y g y h son las f.d.p. marginales de X
y Y respectivamente.
TEOREMA:
1) (X, Y) v.a.b. discreta, entonces X y Y son INDEPENDIENTES si y solo si P (xi/yi = p(xi)
i, j lo que es equivalente si y solo si q(y i/xi)= q (yi) donde p y que son las funciones de
distribucin de X y Y.
OBSERVACIN: La distribucin conjunta determina en forma nica las marginales, pero el
inverso no es verdadero. Solo es verdadero cuando hay independencia.
TEOREMA: Sea (X,Y) v.a.b Sean A C R x, B C Ry, entonces si X, Y son v.a independientes se
tiene
en
el
caso
continuo
se
demuestra
P( A B) P( A) P( B)
P(A B)

A B

f ( x, y)dxdy

g ( x)h( y)dxdy

A B

g ( x)dx h( y)dy P( A) P( B)
B

FUNCIONES DE UNA VARIABLE ALEATORIA

Sea (X,Y) una v.a.b es claro que Z= H1(X,Y) es una v.a sobre el mismo espacio muestral de
(X,Y), Z(s) = H1(X,Y) es una v.a sobre el mismo espacio muestral de (X,Y), Z(s) = H 1(X(s) ,
Y (s)) (v.a unidimensional). Encontrar su f.d.p. es complicado. A veces es ms fcil introducir
otra v.a W = H2 (H,Y) y obtener la f.d.p. conjunta de Z y W, supongamos K(z,w); y
conociendo esta. Calcular la f.d.p. de Z g (z) =

k ( z, w)dw.

Faltara por resolver cmo elegir la v.a W? Cmo calcular la f.d.p. conjunta? En el primer
caso se escoge la V.A. ms sencilla posible. En el segundo:

30

TEOREMA: Sea (X,Y) una v.a.b.c con f.d.p. conjunta f. sean Z= H 1(X,Y) y W= H2(X,Y) y
supongamos que H1 y H2 satisfacen las siguientes condiciones:
a) Las ecuaciones Z= H1 (x,y) W= H2(x,y) se pueden resolver nicamente para X y Y en
trminos de Z y W, digamos X= G1(z,w) y Y= G2 (z,w)
b) Las derivadas parciales x / z, x / w, y / z, y / w existen y son continuas. Entonces
la f.d.p. conjunta de (Z,W), digamos K(z,w) est dada por la expresin K (z,w) =
f[1(z,w), 2(z,w)] / J (z,w) donde J(x.w) es el jacobiano de la transformacin (x,y)
(z,w) y a veces se denota

( x, y ) / j ( z , w)

J (z,w) =

x
x
y
z

x
w
y
w

determinante de la matriz

OBSERVACIONES SOBRE EL TEOREMA ANTERIOR

Considere la FDA. conjunta de la v.a.b (z,w), k(z,w) = P(Z z, W w) =

k ( s, t )ds dt

donde k es la f.d.p. buscada, cmo se supone que la transformacin (x,y) (z,w) es uno a
uno se puede encontrar el evento equivalente a {Z z, W w} en trminos de X y Y. sea este
evento C, esto es {(x,y) C} si y slo si {Z z, W w}, por lo tanto
w

k (2, t )d 2 dt f ( x, y )dx dy Como f es conocida se puede calcular el segundo miembro

c

de la integral, diferencindola respecto a Z y W se obtiene la f.d.p. deseada.

VARIABLES ALEATORIAS n DIMENSIONALES
Extender lo antes expuestos a ms de dos variables es bastante fcil y no se tratar aqu.
Pero se le recomienda pensar en ello ya que le puede ser til en el futuro.
DISTRIBUCIN DEL PRODUCTO Y DEL COCIENTE DE V.A. INDEPENDIENTES.
0) Sea (X,Y) una v.a.b.c.i por lo tanto la f.d.p. f se puede escribir como f(x,y) = g(x) h (y).

w 1
1) Sea W= XY luego la f.d.p. de W, digamos p, est dada por p(w) g (u )h( ) du

u u
2) Sea Z= x/y entonces la f.d.p. de Z, digamos q, est dada por

g (vz)h(v)(v)dv

En 1) W= WY

u=x

as

x=u

y = w/u

En 2) Z= x/y

v=y

as

x = vz

y=v

1
u
J=v

J=

31

ESPERANZA CONDICIONAL. DEFINICIN: a) SI (X, Y)

es una v.a.b.d Definimos la

esperanza condicional de X para Y = yj como E(X/yj) =

x p( x
i 1

/ yj)

b) SI (X,Y) es una v.a.b.c Definimos la esperanza condicional de X para Y = y como:

E(X/y) =

xg ( x / y)dx

Anlogamente se define la esperanza condicional de Y para X

OBSERVACIONES: Es importante darse cuenta de que en general E(X/y) es una funcin de
y, y por lo tanto es una v.a [Anlogo para E (Y/x)] [estrictamente hablando, E(X/y) es el valor
de la v.a E(X/Y)
TEOREMA:
1) E[E (X/Y)] = E(X)
2) E[E(Y/X)] = E (Y)
0) Anlogo comentario para 2)

TEOREMA: X, Y

1) es importante reconocer
que la
esperanza interna se toma respecto a la
distribucin condicional de X, dado que Y
es igual a y, mientras que la esperanza
exterior se toma respecto a la distribucin
de probabilidades de Y.

V.A.I. Entonces E(X/Y) = E(X)

E (Y/X) = E(Y)

La covarianza de X1 y X2 se define como:

COV(X1,X2)= E [(X1 u1)(X2 u2)] ;donde u1= E(X1) y u2= E(X2)
COV(X1,X2)= E(X1,X2) E(X1)*E(X2)
S X1 y X2 son independientes COV(X1,X2)=0.

32

PROBLEMAS PROPUESTOS
1._ Se forma una Empresa de Explotacin petrolera con suficiente capital para financiar 10
exploraciones. La probabilidad de que una exploracin en particular sea exitosa es de 0,1.
Supngase que las exploraciones son independientes. Encuentre la Media y la Varianza del
nmero de exploraciones exitosas.
OBSERVACIN: Slo es vlido calcularlas no el resultado.
2._ Supngase que X y Y son variables aleatorias independientes con las distribuciones
respectivas.
Xi
f(x1)

2
0,7

3
0,3

Yj
g(yi)

-2
0,3

5
8
0,5 0,2

Hallar la distribucin conjunta de X y Y y comprobar que COV (X, Y) = 0

3._ El polietileno es sometido a un proceso de extraccin para ser convertido en un producto
terminado. El producto terminado puede verse afectado por cuatro tipos de defectos como lo
son: deficiencia en el volumen final, con probabilidad de 55% de ocurrencia; falta de
maleabilidad con probabilidad de 58%, falta de elasticidad con probabilidad de 60% y
deficiencias por causa de la mala calidad de la materia prima con probabilidad de 60% de
ocurrencia. Se inspecciona una unidad del producto y se registra si presenta o no cada uno
de los defectos en cuestin. Considere la siguiente variable aleatoria X= Nmero total de
defectos que presenta la unidad.
a) Obtenga la distribucin de probabilidades de la variable aleatoria X (fdp).
b) Calcule la mediana, moda y desviacin estndar de la variable aleatoria X
c) Si se escoge una unidad al azar y se sabe que como mximo tiene tres defectos. Cul es
la probabilidad que tenga al menos dos defectos?
4._ una fbrica produce diariamente 10 recipientes de vidrio. Se puede suponer que hay una
probabilidad constante p = 0,1 de producir uno defectuoso. Antes de que estos depsitos se
almacenen son inspeccionados y los defectuosos puestos aparte. Supongamos que hay una
probabilidad constante r= 0,1 de que un recipiente defectuoso sea mal clasificado. Sea X
igual al nmero de recipientes clasificados como defectuosos al trmino de un da de
produccin. (Suponemos que todos los recipientes que se fabrican en un da se inspeccionan
ese mismo da.) a) Calcular P(X = 3) y =P (X > 3) y obtener una expresin para P(X = k).
5._ Un conductor irresponsable transita por una avenida, donde hay 8 semforos. La
probabilidad de que cualquier semforo est en verde es 0,6
a) Calcule la probabilidad de que el quinto semforo de su ruta sea el segundo que
encuentre en verde. * Asuma que el conductor no respeta la luz roja.
b) Defina la v.a. y su funcin de probabilidades de lo siguiente:
Nmero de semforos que recorre el conductor antes de encontrar el primer semforo en
rojo y calcule la probabilidad que la v.a. X tome el valor X = 7.

33

6._ Un carro circular por la avenida Universidad, donde encuentra 4 semforos. En cada uno
de los semforos el carro tiene una probabilidad igual a de encontrar la luz roja.
a) Simule la trayectoria del carro 20 veces.
b) En base a los resultados de la simulacin determine:
A= (N de semforos que puede avanzar el carro sin detenerse)
c) Dibuje el histograma de frecuencias del evento A y la Ojiva correspondiente.
d) Determine la Media, Varianza y el Fractil. 75.
Si consideramos el evento A del problema anterior como una v.a. X, determine la
funcin de Probabilidad y la Funcin de Distribucin de dicha v.a. X. Calcule el E(X),
V(X) y el valor de X tal que P(X x) = . 75..
Compare los resultados con los obtenidos en el problema 1 y saque conclusiones.
7._ Se sabe que un grupo de cuatro componentes contiene dos defectuosos. Un inspector
prueba los componentes uno por uno hasta encontrar los dos defectuosos. Una vez
encontrado el segundo defectuoso, se concluye la prueba.
8._

f(x)
0,4 0,6

2)
-1
Sea Y = 2x-3

x
Halle g (y) (f.d.p. de y)

9._ Sea X una variable aleatoria cuya funcin de densidad se ilustra en la siguiente grfica:
f (x)

X
-1

a) Determine la expresin para la funcin de densidad.

b) Determine la F.D.A. y su grfica
c) Si se hacen 4 determinaciones independientes de x Cul es la probabilidad de que al
menos 2 de ellas sean superiores a 2.5?
Defina la variable de inters en este caso y determine su F.D.A.

34

10._ Dada la siguiente grfica de la funcin de densidad de probabilidad de una variable

aleatoria X, determine:
f(x)

-1

a) La expresin de la f.d.p. de x
b) La FDA de X. Grafquela
c) Usando la FDA calcule P(X 0.75) P(0,5 X 1,5)
SEA Y= 2 3X Explique como determinara V (y) indicando la expresin de calculo sin hacer
los mismos.
11._

0.1

0.2
a

80

90

Determine el valor de a
12._ Suponga una variable Y con la funcin de densidad
C*y 2 y 0 y <
f (y) =
0

en cualquier otro punto

a) Determine c
b) Calcule la media de Y
c) La mediana de una variable aleatoria continua es el valor y tal que F (y) = 0.5.
Calcule la Mediana de Y
35

13._Sea X una variable aleatoria con funcin densidad de probabilidad:

C * x2; si

(x) < 1

f (x)
0

a)
b)
c)
d)

; si

(x) 1

Hallar el valor de c
Hallar la esperanza y la varianza de la variable aleatoria.
Halle la funcin de distribucin acumulada de la variable aleatoria.
Calcule P (-20 < x 0.5)

14._El porcentaje de impurezas por unidad de produccin en cierto producto qumico es una
variable aleatoria y que tiene una funcin de densidad.
f (y)

a y2 (a-y)

0y1

0 en cualquier otro punto

a) Calcule a
b) Si una unidad de produccin con ms de 40% de impurezas no se puede vender
Cul es la probabilidad de que una unidad de produccin seleccionada al azar no
se pueda vender porque hay demasiadas impurezas?
c) Encuentre la media y la varianza del porcentaje de impurezas en una unidad de
produccin escogida al azar del producto qumico.
15._Una tienda de abarrotes al menudeo tiene una demanda diaria Y para cierto tipo de
comestible que se vende por libra, en donde Y, medida en ciento de libras, tiene una
funcin de densidad de probabilidad
f(y)

cy2 0 y 1
0 en otro punto

(No se puede almacenar ms de 100 libras).

El dueo desea ordenar 100 K libras del comestible, el compra el comestible a 6 centavos
por libra y lo vende a 10 centavos por libra.
a) Qu valor de k maximizar su ganancia diaria esperada?
b) Calcule P(-20 < y < 0,5)
Halle la funcin de distribucin acumulada de la variable aleatoria.

36

16._ Sea X una variable aleatoria con la siguiente funcin de densidad:

1x
4

f (x) =

0 x2

1
x< X 3
2
= 0 otro caso

Determine:
a) La funcin de distribucin acumulada de x.
b) El valor esperado, moda, varianza y fractil 0.75.
c) P (1 < x 2,5), p (x 2.3 / x > 1.5)
17._ El porcentaje de alcohol en cierto compuesto es una variable aleatoria y
Con la siguiente funcin de densidad f (y)=

cy 3*(1-y) 0 < y < 1

0
en cualquier otro punto

Suponga que el precio de venta del compuesto depende del contenido de alcohol.
Especficamente, si 1/3 < y < 2/3. El compuesto se vende por C 1 Bolvares el litro; de otra
manera se vende por C2 Bolvares el litro. Si el costo de produccin es C 3 Bolvares por litro,
encuentre la distribucin de probabilidad de la ganancia neta por litro.
18._ sea X una variable aleatoria con la siguiente Funcin de Distribucin de Probabilidad:
(1/2 X2);
fdp

0 X

X 11/3

otro caso.

a) Halle la funcin de distribucin acumulada (FDA)

b) Halle la mediana, el valor esperado E(X) y la varianza (X).
c) Si se hacen 10 determinaciones independientes de la variable aleatoria X. Cul es la
probabilidad de que al menos dos se encuentren entre 1/3 y 7/3?
19._ Considere la funcin de densidad de probabilidad
0,5

-1 x 0

0,5 + CX

0 x 1

f(x )

a) Halle la esperanza y la varianza de X

b) Calcule P (-0,5 x 1,5)
c) Halle la funcin de distribucin acumulada
37

20._ Sea X una VA. Continua que tiene la siguiente funcin de densidad.
2(2-x)

1 x 2

f(x)
0

en otro caso

a) Determine la funcin de distribucin acumulada de X

b) Calcule mediante la funcin de distribucin acumulada de X
P (0,5 x 1,5)
c) Determine E(x) y la Mediana de X
d) Sea Y = 2X + 3 Obtenga la funcin de densidad de Y
21._ El Tiempo requerido por los estudiantes para presentar un examen de una hora es una
variable aleatoria con una funcin de densidad dada por:
Cy2 + y

0 y 1

f(y)
o

en otro punto

a) Determine el valor de C
b) Obtener F (y)
c) Graficar f (Y) y F (y)
d) Utilizar F (Y) de b) para encontrar F (-1), F (0), F (1)
e) Calcular la probabilidad de que un estudiante termine en menos de media hora.
f) Dado que un estudiante necesita al menos 15 minutos para presentar el examen,
encuentre la probabilidad de que necesite al menos 30 minutos para terminarlo.
22._ Sea (X,Y) una v.a. bidimensional continua con f.d.p. conjunta f(x,y) = 2*exp(-x-y) x>0 y
> 0. Halle las marginales. Son independientes X e Y? Determine P (y-x<5 / x + y>7).
f (x,y) = 2 ( x y ) x>0
y> 0
g (x) =

2 ( x y ) dy 2 ( x y ) 2 x no son independientes x e y ya que

0

2( x y ) 4 ( x y )
h (y) =

2 ( x y ) dx

2 y

P(Y X 5 X Y 7)
P (Y-X < 5/ X +Y > 7) =

P ( X Y 7)

7 Y 5 X

Y 7 X
7

2 ( x y ) dydx

Y 7 X

Y 5 X

dydx
7

2 ( x y )

2 ( x y ) dydx

2 ( x y ) dydx

38

23._ Sea (x,y) una variable aleatoria bidimensional continua uniformemente distribuida en la
siguiente regin Calcule P(x > y):

24._ El kilometraje en miles de Km que dura cierto tipo de neumtico es una variable
aleatoria x con densidad:
1 x / 20
x 0
f (x)
20
0
x 0
Haciendo uso de la funcin de distribucin acumulada de x calcule:
a) Probabilidad de que un neumtico dure a lo sumo 1000 Km.
b) Probabilidad de que un neumtico que ha rodado 1000Km. Dure al menos 5.000 km.
ms
25._Sea x una v.a. continua con densidad:
1
1
f(x) =
x
1 x2
1
Obtenga la densidad de Y= y comente el resultado.
x
26._ Sea X el nmero de pruebas necesarias hasta encontrar el segundo componente
defectuoso. a) Halle la distribucin de probabilidades de X. b) Halle la esperanza y la
varianza de X.
27._ Las calificaciones correspondientes a 80 estudiantes de una clase de estadstica fueron
clasificadas en la siguiente forma:
Calificaciones
N de Estudiantes
20 30
3
30 40
6
40 50
5
En base a estos datos: hallar:
50 60
7
a) Media de las calificaciones.
60 70
10
b) Mediana y moda de las mismas.
70 80
29
c) Desviacin estndar de las mismas.
80 90
12
90 100
8
d) Qu porcentaje de alumnos est comprendido entre X
e) Porcentaje de alumnos con nota superior a 65 puntos.

39

28._ En una fabrica de perros las mquinas A, B, C producen respectivamente el 25, 35 y 40

por ciento del total. En esta produccin 1, 2 , 3 son los porcentajes de perros defectuosos
por mquina.
a) Halle 1, 2 , 3 donde

1
z 2
2 1
Z (3,7)
1
2 V( 3 X Donde Y tiene distribucin f (z) = z / >0

1 = E(X) donde X tiene distribucin f (z) =

3 = E (Y)

0 y

b) Si se toma al azar un perro y se le encuentra defectuoso Cul es la probabilidad de que

haya sido producido por las mquinas A, B, C?
c) Si se producen 100 unidades y si el precio de venta es Bs. 3 por perro y el costo de
produccin es Bs. 1.
d) Halle la esperanza de la Ganancia neta.
29._ De un grupo de ingenieros de 3 Elctricos, 2 Industriales y un Qumico debe
seleccionarse un equipo de trabajo de dos personas sea Y 1 el nmero de electricistas y Y2 el
nmero de industriales en el equipo. Encuentre la distribucin de probabilidad conjunta de Y 1
y Y2.
30._ Se disea cierto motor experimental de tres cilindros en lnea de tal forma que este
funciona mientras trabajen al menos 2 cilindros, suponga que los cilindros funcionan de
forma independiente y que la funcin de distribucin acumulada del tiempo de vida de cada
cilindro est dada por:

1 - ( t / ) con 2 Aos

= 1,25

a) Cul es la probabilidad de que uno de los cilindros est funcionando para una misin de
1 ao y medio?
b) Cul es la probabilidad de que el motor funcione para una misin de 2 aos y medio?
c) Usando 6 corridas de montecarlo, estime la confiabilidad del motor para una misin de 2
aos y medio. Estime tambin la esperanza de vida del motor y su desviacin estndar.

40

C
CA
AP
PIITTU
ULLO
O IIIIII
M
MO
OM
ME
EN
NTTO
OS
S

MOMENTOS
R-SIMO MOMENTO POBLACIONAL
R-SIMO MOMENTO CENTRAL
COEFICIENTE ASIMETRA Y CURTOSIS
FUNCIN GENERADORA DE MOMENTOS

Una distribucin de frecuencia se puede analizar con mayor certeza si se calculan las
constantes o momentos de la distribucin. Los momentos se emplean para el clculo de
medidas que describan la distribucin, y para determinar la curva apropiada a usar en
smoothing de una distribucin matemtica.
El primer momento de una distribucin de frecuencia como medida alrededor de algn
origen arbitrario es:
El segundo momento (alrededor de un origen arbitrario) es:
El tercer momento (alrededor de un origen arbitrario) es:
El cuarto momento(alrededor de un origen arbitrario) es:
Los momentos ms importantes son aquellos que se calculan respecto a la media como
origen:
Donde x representa la desviacin del valor actual de la media.
La suma de la desviacin alrededor de la media es cero y, adems el primer momento ser
igual a cero.
Los otros momentos alrededor de la media se obtienen ms fcilmente:
(1)El clculo de los momentos provenientes de una distribucin de frecuencia
Sea X una variable aleatoria. El r-simo momento de X alrededor del cero se define:
'

r = E

'

r = E

X = X
r

X = X

donde X es discreta

X d

donde X es continua

El primer momento alrededor del cero es la MEDIA VALOR ESPERADO y se denota

por .
El r-simo momento central de X el r-simo momento alrededor de la media de X se
define por:

E x = x

x f d

si X es discreta

si X es continua

41

OBSERVACIN: El momento central cero de cualquier variable aleatoria es uno,

El primer momento central de cualquier variable aleatoria es cero,
momento central es la varianza, Var X

1.

0 . El segundo

'

COEFICIENTE DE VARIACIN: Compara la dispersin relativa de dos distribuciones de

probabilidad.
V = /
Donde V es una medida estandarizada.

Es el tercer momento central est relacionado con la asimetra de la

distribucin de probabilidad de X;

'
3

3 2
'

Para las distribuciones que tienen un solo pico

Si

3
3

< 0 asimtrica negativamente.

> 0 asimtrica positivamente.

=0 la distribucin es simtrica.

COEFICIENTE DE ASIMETRA:

3
3
3

3
3/ 2

Tercer momento estandarizado

>0

asimtrica positiva

<0

asimtrica negativa

=0

simtrica

Si X variable aleatoria es simtrica todos los momentos centrales de X de orden impar

sern cero.
El cuarto momento central es una medida de qu tan puntiaguda es la distribucin de
probabilidad y se le llama CURTOSIS.

x 4 6 2 '2 3
4

'

'

42

4
4
4

4
2

Medida relativa de la curtosis

>3 pico relativamente alto (Leptocrtica).

<3 relativamente plana

(Platicrtica).

=3

(Mesocrtica).

El valor de 3 es porque se compara con la normal cuyo valor es 3.

Tercer y cuarto momento se conocen como primero y segundo factores de forma.
Cualquier momento central de una variable aleatoria se pueden expresar en
trminos de los momentos alrededor de cero

= (1 )r! r i !i!
i

E (

i 0

i 0

1 r! r i!i! x
i

r i

'
r i

La estandarizacin de una variable aleatoria afecta la media y la varianza pero no la

asimetra y curtosis.
Para cualquier variable aleatoria X, el valor cuantil Xq, de orden q 0<q<1 es el valor de X
tal que:

x q
PX x q
PX

0.5

PX

x q
q

si X es discreta

Si X es continua

Se define como la MEDIANA.

X variable aleatoria se define la MODA como el valor de Xm de X que maximiza la funcin

de probabilidad, si X es discreta, la funcin de densidad, si X es continua.

Si X es continua la moda es la solucin de:

df (x)/dx = 0
si d 2f ( x) / dx 2 0

Si la segunda derivada es positiva recibe el nombre de ANTIMODA.

Si existen varios mximos (o mnimos) las distribuciones de probabilidad reciben el
nombre de Multimodales.

43

La DESVIACIN MEDIA de una variable aleatoria es E X -

x p |

Si X es discreta

f d
X

Si X es continua

FUNCIONES GENERADORAS DE MOMENTOS (f.g.m)

Sea X una variable aleatoria el valor esperado de exp. (tX) recibe el nombre de FUNCIN
GENERADORA DE MOMENTOS y se denota mx (t) si existe.

m E e

tx

x t

tx

e f d
tx

si X es discreta

si X es continua

OBSERVACIONES:

mx (t) es solo funcin de t. Si t =0 ,mx(0)=E(e0)=1

Si existe es nica y determina por completo la distribucin de probabilidad de X. En
otras palabras si dos variables aleatorias tienen la misma f.g.m entonces tienen la
misma distribucin de probabilidad.
Si existe para-c <t< c entonces existen las derivadas de todos los ordenes para t
=0 entonces mx (t) generar todos los momentos de X alrededor del origen.
tX
Sea X una variable aleatoria y E e
recibe el nombre de FUNCIN

GENERADORA DE MOMENTOS CENTRAL y se denota

t x

X t

m X t

t x

f d
X

x t

si existe c/-c <t< c

Si es discreta

Si es continua

FUNCIN GENERADORA DE MOMENTOS

La mayor utilidad de la Funcin Generadora de Momentos no es su habilidad para
generar momentos, su utilidad radica en el hecho que en muchos casos, la fgm puede
caracterizar una distribucin. Hay sin embargo, algunas dificultades tcnicas
44

asociadas con el uso de los momentos para caracterizar una distribucin las cuales
investigaremos.
Si la fgm existe, ella caracteriza un infinito conjunto de momentos. La pregunta natural
es cuando el infinito conjunto de momentos est caracterizado determina nicamente
una funcin de distribucin.
La respuesta es NO, caracterizando el conjunto de momentos no es suficiente para
determinar una funcin nicamente porque puede haber dos variables aleatorias
distintas que tienen los mismos momentos.
Ejemplo:
Caso especial de una Log normal:

log X 2 2

0<X<

Si X1~ f1 entonces E x1 e
r

r = o, 1,...,...

As X1 tiene todos sus momentos; ahora suponga X2 ~ f2

2 X

1 X

1 sen2 log xd

0X<

1 sen2 log xd
Ex x f

r

1 X

x f
r

1 X

E x1 x
r

1 X

sen2 log x d X

sen2 log x d X Funcin impar para r = 0

Entonces a pesar de que X1 y X2 tienen diferentes fdp tienen los mismos momentos
r .
TEOREMA
Sean X, Y variables aleatorias independientes con fgm Mx (t) y My (t). Entonces la
funcin generadora de momentos de Z =X +Y esta dada por: Mz (t)=Mx (t)*My(t)
Este teorema puede ser usado para derivar la distribucin de Z a partir de la
distribucin de X y Y.

45

Ejemplo:
X ~ N ( , )
2

Y ~ ( r, r )

2 2

Exp

M X t

variables aleatorias independientes

2 2

t
r

Exp
rt

M Y t

2 2

2
r t r t

Exp
M Z t M X t M Y t

Ejercicio:
X ~ Poisson () y Y ~ Poisson ( )

X, Y independientes

X +Y = Poisson (+ )
TEOREMA
X1,..., Xn variables aleatorias independientes M x1 (t),..., Mxn (t) sus fgm.
n

Sea Z = X1+...+Xn; la fgm de Z es: Mz t)=

1

Mxn (t)...MXn (t)

En particular si todas tienen la misma distribucin:

Mz (t)= (MX (t)) n
COLORARIO:
X1,Xn variables aleatorias mutuamente independientes con fgm MX1 (t),..., Mxn (t); ai,
bi constantes i =1,..., n. Sea Z= (a1X1+b1) +...+ (an+bn) entonces la fgm de Z es:

M Z t

e b
t

a t ... M Xn a t

X1

La ms importante aplicacin de este colorario es el caso de variables aleatorias

normales. Una combinacin lineal de variables aleatorias independientes normales es
normal.
TEOREMA
X1,..., Xn vectores. Entonces X1,..., Xn son vectores aleatorios mutuamente
excluyentes, si y slo si, existe una funcin g i (Xi) i= 1,..., n tal que fdp de X1,...,Xn
pueda ser escrito como: f(X1,...,Xn)= g1(X1)...gn (Xn).
TEOREMA
X1,..., Xn vectores aleatorios independientes. Sean gi (Xi) funciones slo de Xi, i= 1,...,n.
Entonces las variables aleatorias
46

Ui = gi (Xi) i=1,..., n son mutuamente independientes.

TEOREMA
Sea Fx (X) y F y (Y) FDA todos sus momentos existen:
a.- Si Fx y Fy tienen soporte acotado. Entonces Fx ()=FY () para todo , si y slo si
Exr = Her para todo r =0,1,...
b.- Si la fgm existe y Mx (t) = My (t).para todo t cerca de cero entonces F X ()=FY()
TEOREMA
Convergencia de la fgm.
Suponga {Xi i =1,2,...} es una reunin de la variable aleatoria con fgm Mxi (t). Ms an
suponga que lim M Xi t M X t para t cerca de cero y que MX (t) es una fgm.
i

Entonces existe una nica FX cuyos momentos estn determinados por MX (t) y X
donde FX(X) es continua tenemos:

lim F Xi X
i

X X

Esto es convergencia para t <h, de fgm a una fgm implica convergencia de FDA 2
TEOREMA
Para cualquier constante a y b la fgm de la variable aleatoria aX+b esta dada por:

bt

aX b t

X at

UNICIDAD DE SECUENCIAS DE MOMENTOS

Una distribucin no esta necesariamente determinada por sus momentos, pero si una
sucesin de momentos es nica; entonces fgm determina la distribucin.
Condicin suficiente es la condicin de Corleman2. Si X ~ FX y Exr= r entonces la

1
secuencia de momentos es nica si
1
r 1
' 2r
2r

1 t

t0>0 la distribucin FX

r
converge sobre un intervalo
r
!
r 0
esta nicamente determinada

Feller (referencia) demostr que si

t0tt0

'

X t

FUNCIN GENERADORA DE CUMULANTES

X variable aleatoria; fgc es la funcin log

M . Esta funcin puede ser usada para

X t

generar los cumulantes de X

47

FUNCIN GENERADORA DE MOMENTOS FACTORIAL de X esta definida como

EtX si la esperanza existe. El nombre proviene del hecho que la funcin satisface:
r

d Et /
dt
X

t 1

EX X 1... X r 1

Si X es discreta E t t P X x se llama funcin generadora de probabilidad ya

X

que los coeficientes de la serie de potencias da la probabilidad, es decir para obtener

la probabilidad para X =k calcule:
k

1 d
X
E t / t 1 P X K
k
k! dt
FUNCIN CARACTERSTICA
La funcin caracterstica siempre existe y determina completamente la distribucin
acumulada.

Ee

itx

X t

Donde i =-1

VALORES ESPERADOS. REGLA DE SUMA

Sean X,Y variables aleatorios X^Y = mn. (X,Y) XY = mx.(X,Y) as
X+Y = (XY)+(X^Y) sigue que E (XY)= EX +EY-E(X^Y)

48

C
CA
AP
PIITTU
ULLO
O IIV
V
DISTRIBUCIONES DE PROBABILIDADES DE VARIABLES ALEATORIAS DISCRETAS.
DISTRIBUCIN BINOMIAL
1. Un experimento consta de n pruebas repetidas
2. Cada prueba tiene dos resultados posibles. xito = E y Fracaso= F.
3. Probabilidad de xito=P, Probabilidad De Fracaso (1- P ) = 2
4. Las Pruebas son independientes.
5. La variable aleatoria bajo estudio es Y= nmero de xitos observados en n pruebas.
TEOREMA: La probabilidad de k, xitos exactamente en n pruebas repetidas se denota y
n
expresa por m. ) = k qnk
k
DEFINICIN: Si consideramos n y p como constante la funcin anterior P (k) = b (k,n,p) es
una distribucin de probabilidad discreta:
K
0 1
P(k) qn n n1
q p
1

n
pn

2
n n2 2
q p
2

Se le llama distribucin binomial puesto que para k= 0, 1,2., n corresponde a los trminos
sucesivos del desarrollo binomial (q+p) n
Esta distribucin se conoce tambin como distribucin del Bernoulli, y las pruebas
independientes con dos resultados se llaman pruebas de Bernoulli.
2

TEOREMA: La Distribucin binomial tiene media u=n*p

varianza = n p q

OBSERVACION:
Esta distribucin tiene muchas aplicaciones.
a) Muestreo de productos defectuosos
b) Muestreo de preferencias de voltajes, de
consumidores.
DISTRIBUCION DE PROBABILIDAD GEOMETRICA
La variable aleatoria geomtrica Y es el nmero en la prueba en la cual ocurre el primer
xito. El experimento termina al obtener el primer xito.
La probabilidad de la interseccin de Y eventos indiferentes da a lugar la distribucin de
probabilidad geomtrica. P (y)= q y-1 p y=1, 2,3 0 p 1
Se usa como modelo para las distribuciones de la longitud de tiempos de espera.

49

DISTRIBUCIN HIPERGEOMETRICA
Supngase que una poblacin contiene un nmero finito N de elementos, cada uno de los
cuales tiene una de dos caractersticas de esta manera elementos podran ser rojos y b= n-r
negros. Se selecciona una muestra aleatoria de N elementos de la poblacin y la variable
aleatoria de inters es Y= nmero de elementos rojos en la muestra. Esta variable aleatoria
tiene distribucin de Probabilidad Hipergeometrica.
Distribucin de Probabilidad Hipergeometrica
y entero 0, 1,2,, n sujeto a condiciones y r
n y N r

P (y)=

EJERCICIO: se seleccionan 10 personas para un trabajo de un grupo de 20 ingenieros con

doctorado Cul es la probabilidad de que el grupo de los 10 ingenieros seleccionados
incluya a los 5 mejores del grupo de 20?.
DISTRIBUCION DE PROBABILIDAD POISSON
La distribucin de Poisson se define como sigue:
P (k, )=

K e
k=0, 1,2
k!

Donde > 0 es una constante.

Esta distribucin infinita contable se presenta en muchos fenmenos naturales tales como el
nmero de llamadas telefnicas por minuto en un tablero de distribucin, el nmero de
erratas por pgina en un texto grande y el nmero de partculas emitidas por una
sustancia radioactiva.
TEOREMA La distribucin de Poisson tiene media u= varianza = desviacin estndar =

La distribucin Poisson es el lmite de una binomial cuando la probabilidad decrece cuando el

n aumenta, haciendo = n*p y tomando lmite de la probabilidad binomial.

n
n y
P (y) = p y 1 p
y

cuando n se tiene

n y
y k
n y

P (y) = lim P 1 p

Y!
y
Aproximacin de la binomial por Poisson para un k pequeo siendo p pequeo y = n*p
Calculo para n=100, p= 1/100
= n*p
50

DISTRIBUCIN MULTINOMIAL
Supngase que el espacio muestral de un experimento se divide en S sucesos
mutuamente excluyentes A1A2,., As con probabilidades respectivas p1, p2,, p2
( p1+p2++p2= 1) entonces:
En n pruebas respectivas, la probabilidad de que A 1 suceda k, veces, A2 suceda k2 veces,.,
y As suceda k2 veces es igual.

n!
p1k1 p k22 ....p k22 Donde k1+k2+.+k2 = n
K 1! K 2 ! .... K 2 !
Esta es la distribucin Multinomial.
OBSERVACION Si S =2 obtenemos la Binomial.

51

C
CA
AP
PIITTU
ULLO
OV
V
DISTRIBUCIONES DE PROBABILIDADES DE VARIABLES ALEATORIAS CONTINUAS.
DEFINICIONES:
- Sea Y cualquier variable aleatoria. La funcin de distribucin de Y denotada por F(y), est
dada por F(y) = P(Y y) - y <
- Las funciones de distribucin de variables aleatorias discretas siempre son funciones
escalonadas, puesto que la funcin de distribucin acumulativa solamente se incrementa en
un nmero numerable de puntos.
- Propiedades de F (y) a) lim F (y) = F (- ) 0
y
b) lim F (y) = F ( ) = 1
y
c) F (yb) F(ya) si yb >ya
- Sea Y una variable aleatoria con una funcin de distribucin F(y), se dice que Y es continua
si F(y) es continua para - < y <
- Para una V.A. continua Y se tiene P (Y=y) = 0 para cualquier y R
- Sea F (y) la funcin de distribucin de una variable aleatoria continua Y entonces f(y), dado
dF( y )
F1 (y) siempre y cuando exista la derivada, se denomina la funcin de
por f(y) =
dy
densidad de probabilidad para la variable aleatoria y.
- Se deduce de los tres apartes anteriores que F (y) =

f ( t )dt donde f(y) es la funcin de

densidad de probabilidad.
- Propiedades de f (y) a) f (y) 0 y b)

f ( y )dy 1

- La probabilidad de que Y se localice en el intervalo

a,b est dada por P (a Y b)

f ( y ) d y donde f (y) es la funcin de densidad de probabilidad para Y.

- Si F es la funcin de distribucin de una variable aleatoria y F (Y0) indica la probabilidad de

que Y Y0
- P (Y=a)=0
- Las constantes que determinan la forma especfica de una funcin de densidad se
denominan parmetros de la funcin de densidad.

52

FUNCIONES DE DENSIDAD

UNIFORME f (y) =
01 y 02
02 0

en cualquier otro punto.

si la probabilidad de que una V.A. Y caiga dentro de ciertos intervalos con la misma
probabilidad en un cierto rango, se dice que Y tiene una distribucin uniforme.
GAMMA
Algunas variables aleatorias son siempre no negativas y por varias razones tienen
distribuciones de datos que son sesgadas (asimtricas) a la derecha, los intervalos de tiempo
entre fallas del motor de un avin, los intervalos de tiempo entre dos llegadas a la cola para
una caja registradora a la salida del supermercado, los tiempos que tardan en revisar el
motor de un automvil, tienen distribucin de frecuencias sesgada y las poblaciones
asociadas a estas variables aleatorias frecuentemente tienen distribuciones que se pueden
m))modelar adecuadamente por la funcin de densidad tipo GAMA.

Y 1e y /
F (y)
0 y
, > 0
( )
0 en cualquier otro punto

donde ( ) y 1e y dy se conoce como la funcin GAMMA

0

La Integracin directa nos da (1)=1, por partes ( ) ( 1) ( 1) 1 r(n) = (n-1) ! par

un nmero n entero
Si no es un entero, es imposible encontrar la antiderivada de la expresin
JI- CUADRADA o CHI - CUADRADA
Una variable aleatoria tipo GAMMA que tiene una funcin de densidad con parmetros
v / 2 2 se denomina variable Aleatoria CHI-CUADRADA ( 2 ). El parmetro v se
denomina nmero de Grados de Libertad Asociado a la V.A. CHI- CUADRADA.
EXPONENCIAL
La funcin de densidad GAMMA para el caso especial 1 se denomina funcin de
densidad exponencial.

1
f (y) = e y / >0 0 y <

0 en cualquier otro punto

53

- Modelos de duracin de componentes electrnicos tienen

funcin de densidad.

muchas veces este tipo de

- Si Y tiene funcin de densidad exponencial demuestre que

P (Y>a+b| Y>a) = P(Y>b)

a,b>0

Esta propiedad suele denominarse DE LA PERDIDA DE LA MEMORIA de la

distribucin.

NORMAL

f (y) =

( y u ) 2

2 2

>0

- <u< - < y <

WEIBULL
mym1 ym /
f (y) =
e
0y <

,m >0

La funcin de densidad Weibull proporciona un buen modelo para la distribucin de la

duracin de muchos dispositivos mecnicos, plantas y animales
LOG-NORMAL
f (y)

1
y

ln y u )

2 2

y>0

en cualquier otro punto

Si una variable aleatoria U tiene una distribucin normal con media u y una varianza
2, y si consideramos U= ln y, entonces se dice que Y tiene una distribucin Log normal.
Esta distribucin se utiliza con frecuencia en las ciencias biolgicas y fsicas como modelo de
magnitudes de volumen o de peso, de diversas cantidades, tales como partculas de carbn
molido, cultivos, colonias de bacterias y animales individuales.
Recuerde que:
E (y) =

xf ( x )dx siempre que exista la integral

- Si g (y) una funcin de Y entonces E

g (y)

g( y )f ( y )dy

- E (c) = C = CTTE
- E ( c g (y) = C E (g(y) C= CTTE
- E [g1 (y) + g2 (y) ++gk (y)] = E [g1 (y)] + E [g2 (y)] +..+E [gx (y)]
Donde gi (y) es una funcin de una V.A. Y
54

TEOREMA DE TCHEBYSHEFF sea t V.A. continua (discreta) con funcin de densidad f(y)
entonces para cualquier k > 0
P (| y - u| < k ) 1

1
1
p (| y u | k ) 2
2
k
k

Donde u = E (y) 2 = V (y)

DEFINICIONES: Supngase que Y tiene una funcin de distribucin Mixta F (y) = C1F1 (y)+
C2 F2 (y) y que X1 es V.A. discreta que tiene funcin de distribucin F(y) y X 2 V. A. continua
que tiene funcin de distribucin F 2 (y). Sea g (y) una funcin de Y. entonces.
E (g (Y)) = C1 E(g(X1) + C2 E (g(X2)
DEFINICIONES: Sean Y1 y Y2 dos V.A. discretas, la distribucin de probabilidad conjunta (
bivarible) Para Y1 y Y2, est dada por P (Y1= y1, Y2 = y2) = definida para todos los nmeros
reales y1 y y2. p (y1 , y2) es la funcin de probabilidad conjunta con propiedades a) p(y 1, y2)
0 y 1y 2
b)

py y 1
1

y1y 2

DEFINICIONES: La funcin de distribucin conjunta (Bivariable) F(a, b) para cualquier par de

V.A. Y1, Y2 est dada por F(a, b) = p(y1 a, y2 b).
Si existe una funcin no negativa f (y1, y2)

tal que F(a,b) =

f ( y1,y 2 )dy 2 dy1 para

cualesquiera nmeros reales a y b, entonces se dice que Y1 y Y2 son V.A. Conjuntas

continuas f(y1 , y2) se conoce como funcin de densidad de probabilidad conjunta con
propiedades
a) F(-, ) = F(-, y2)= (Y1,-) =0 b) F(,) = 1
c) Si a 2 a1 y b2 b1
entonces F(a2,b2) entonces F(a2 , b2)- F(a2,b1) F (a1, b2) + F(a1,b1) 0
Adems
a) f (y1, y2) 0 y1 y 2

b)

f ( y1,y 2 )dy1dy2 1

DEFINICIN Sean Y1 y Y2 V.A. Discretas con funcin de probabilidad P (Y1, Y2) entonces
las funciones de Probabilidad Marginales de Y1 y Y2 respectivamente, estn dadas por
P1 (Y1) = py 1, y 2 y P2 (y2) = py 1, y 2
Y2

y1

Sean Y1, Y2 dos V.A. continuas con funcin de densidad conjunta f(y 1 , y2), entonces las
funciones de densidad Marginal de Y1 y Y2 respectivamente, estn dadas por:
F1 (y1) =

f y 1, y 2 dy 2

F2 (y2) =

P(y1| y2) = P(Y1 = y1 | Y2 = y2) =

f y

1,

y 2 dy1

P( Y1 y 1, Y2 y 2 )
P( Y2 y 2 )

p( y 1, y 2 )
p( y 2 )
55

Y1 y Y2 V.A. conjuntas continuas con la densidad f (y1 , y2) y las densidades marginales
f1(y1) y f2 (y2) respectivamente, entonces la densidad condicional de Y 1 dado Y2 = y2 est
dada por
f (y1 | y2) =

f (( y 1, y 2 )
f2 ( y 2 )

f2 (y2) > 0

0 en cualquier otro punto

Y la densidad condicional de Y2 dado Y1 = y1 est dada por
f (y2 | y1) =

f ( y 1, y 2 )
f1(y1) > 0
f1 ( y 1 )
0 en cualquier otro punto

Si Y1 tiene funcin de distribucin F 1 (y1) y Y2 una funcin de distribucin F 2 (y2) y Y1 y Y2

tienen una funcin de distribucin conjunta F(y 1 , y2) = F1(y1) F2(y2) para cada par (y1 , y2) se
nmeros reales
Si son discretas P (y1, y2) = P1 (y1) P2 (y2)
Si son continuas f (y1, y2) = f1(y1) f2 (y2)
TEOREMA: Y1, Y2 V.A. con densidad conjunta f(y1,y2) que es positiva si y slo si a y1 b
c y2 d
a,b, c, d constantes y f(y1 , y2)= 0 en cualquier otro punto. Entonces Y1 y Y2 son
V.A. IND si y solo si f (y1, y2) = g (y1) h (y2) donde g(y1) es solo una funcin no negativa de
y2.
DEFINICIN: Sea g(y1,y2,,y2) entonces E[g(y1,.,yk)] =

.... gy ,.., y p( y ,.., y

1

yk

tienen
...
yk

y 2 y1

funcin
de densidad
gy 1, y 2 ,..., y k dy1dy 2 ...dy k

TEOREMAS
a) E (C)= C

conjunta

(y 1,..,yk)

si

E(j(y1,,yk)

y1

entonces

C = Constante

b) g (y1,y2) funcin de las V.A. Y1, Y2 Entonces E[c g(y1, y2) ] = c E[g(y1,y2)]
c) f( y1,y2) funcin de densidad conjunta de las V.A. y 1, y2 y g(y1,y2), y(y1,y2).gk (y1,y2)
Entonces.
E[g1(y1, y2) + g2 (y1,y2) + .+ gx (y1,y2)] = E[g1(y1, y2)]+ E[g2(y1, y2) + +E[gx(y1, y2)
d) y1, y2 V.A.I. con densidad conjunta f (y1, y2), sean g (y1) y h (y2) funciones de Y1 y Y2
respectivamente. Entonces E (g (y1) h (y2)) = E [g (y1)] E [h (y2)]
DEFINICIN: La covarianza de Y1 y Y2 se define como:
COV (y1, y2) = E [(y1 u1) (y2 u2) = donde u1= E(y1) y u2= E(y2)
56

TEOREMA:
a) y1, y2 V.A. con densidad conjunta f (y1, y2). Entonces
COV (y1, y2) = E [(y1- u1) (y2 u2)] = E (y1, y2) = E (y1) E y2)
b) Si y1, y2 son V.A. INDEPENDIENTES COV (y1, y2) = 0
TEOREMA:
y1,, yn y x1,, xm V.A. Con E (yi)=ui
U1 =

a y
i1

E(xi) = yi

b x

U2 =

j i

con ai y bi constantes, ENTONCES

a) E (U1)=

di u i

b) V (U1) =

a
i1

i1

V( y i ) + 2

a a
i

i,

COV (yi, yj)

Donde la suma doble se forma en todos los pares (i, j) con i j

n

c) COV (U1, U2) =

a a COV( y x )
i

i1 ji

i,

DEFINICIN
y1, y2 V.A. El valor esperado condicional de y1 dado que Y2 = y2 se define
E (y1(y2=y2) =
E (y1(y2=y2) =

y |(y1(y2) dy1
y p( y ( y )

y1

conjuntamente continuas
conjuntamente discretas

TEOREMA
Y1,Y2 V.A. Entonces E (y1) E [(y1)| y2)] La esperanza entre corchetes es con respecto a la
distribucin condicional de y1 dado y2 y la esperanza fuera de los corchetes es con
respecto a la distribucin y2.
TEOREMA DEL LMITE CENTRAL sean y1, y2,yn V.A.I.I.D (Variable Aleatorias
Independientes e idnticamente distribuidas) con E (y1) = u y V (yi) = 2 Definimos Un

y u

1 n
yi
n i i

Entonces la funcin de distribucin Un Converge a una funcin

estndar cuando n

= n (

) en donde y =

de distribucin normal

57

DISTRIBUCIN BINOMIAL NEGATIVA (PASCAL)

Dado un experimento Bernoulliano con probabilidad de xito (0,1) definimos X=#
experimentos a realizar hasta obtener r xitos entonces el # de experimentos es n=
r+1,.

Sucesin infinita y p(x=n) =

qn-r
n1
r 1

r,

la cual llamaremos distribucin Pascal

otra forma de definirla es obtener K fracasos antes de obtener el r-esimo xito, sea Y= #
fracasos hasta obtener el r-esimo xito

r k 1 r k
F (k/r, p) =
x= 0, 1,2,.Distribucin Binomial negativa con parmetros r y k
p q
k
0 en otro caso

OBSERVACIN: La Distribucin geomtrica es un caso particular para r=1

TEOREMA: Si X1,Xr son V.A.I.I.D. y si cada Xi tiene distribucin geomtrica con parmetro
p, entonces la suma X1 +.+Xr tiene una distribucin binomial negativa con parmetros r y p.

Si X
X

q
V(x) =
p
rq
BN (r, p) => E(X) =
V(X)
p
b (p) => E(X) =

q
p2
rq
p2

b (p) para cualesquiera k y t P(x=k+t/x k) = P(x=t).

TEOREMA: Si X

FORMULA DE STIRLING Y

Pascal (k, p)

P (y>n) = P(x k)

P (y n) = P(x k)

APROXIMACIN BINOMIAL NEGATIVA A POISSON X

r.p f(x/r, p) f(x/
Donde f(x ) =

B(n, p) k= # xitos

BN (r, p) si r p o

e x
xo
0

x = 0, 1,2,.

TEOREMA: Si X1,, Xk v.a.i.

con n= n1 + n2 ++nk

otro caso

Xi

~ B (ni, p) i = 1,...,k Entonces X1 + X2 +.+Xk ~ B(n,p)

58

APROXIMACIN HIPERGEOMTRICA A BINOMIAL X ~ H ( N,n,r)

E(X) n*

r
N

E(X) = n*p

P(X=k)

V(x) = n.

r
r N n
r
si tomamos p=
1
N N N 1
N

V(X) = n*p*q

N n
: Entonces para N Grande
N 1

n
nk
~ p k 1 p Es decir X ~ B (n, p)
p

OBSERVACIN:

nN
n 1

Es el factor de correccin de la varianza para el muestreo sin

reemplazo.
TEOREMA: Si las V.A.I X1,X2++Xk ~ Po ( )donde 1 ... k
Aproximacin Poisson a Normal
PROCESO DE POISSON
Cuando ocurren eventos en forma aleatoria a travs del tiempo. Definamos.
N (t) = n # Total de eventos que ocurren en 0, t { N (t), t 0 } es un proceso de Poisson si
se cumplen las condiciones siguientes.
1) N(0) = 0
2) El # eventos que ocurren en intervalos de tiempo disjuntos son V.A. independientes.
3) La distribucin de probabilidades del N de eventos que ocurren en un intervalo de
tiempo de Longitud t depende nicamente de t. es decir todos los intervalos de tiempo
de Longitud t tendrn la misma distribucin (N (S + t) N(S) N (t).
4) La probabilidad de que ocurra un evento en un intervalo de tiempo muy pequeo es
proporcional a la longitud de dicho intervalo P(N( t ) 1) wt w>0
5) La probabilidad de que ocurran dos ms eventos P(N( N (t ) 2) 0
Si se satisfacen estos 5 postulados para cada t 0
wt ( wt ) n
P(N(t) =n) =
n= 0,1. N (t) ~ Poisson ( wt )
n!
W=Promedio de eventos en el tiempo

DISTRIBUCIN DEL TIEMPO TRANSCURRIDO ENTRE LLEGADAS SUCESIVAS.

Sea T el tiempo transcurrido entre llegadas sucesivas, entonces
P (T>t) = P(N (t) = 0)= wt
Por lo tanto
F (t) = P (T t) = 1 - P (T>t) = 1- wt y la funcin de densidad
F (t) = w wt que corresponde a una distribucin exponencial.
59

PROPIEDADES DE LA DISTRIBUCIN NORMAL

TEOREMA Si X ~ N (u, 2), y Y= ax +b

a, b constantes a 0 , entonces:

Y~N (au+b, a2 2 )

1
1
exp( x 2 ) < x <
2
2

DEFINICIN: Normal tipificada (x)= f(x / 0,1) =

Y ~ N (0,1)
OBSERVACIN:
X ~ N (u, 2 ) entonces Z=

xu

~ N (0,1)
k

i 1

i 1

TEOREMA x1,, xk v.a.i. Xi ~ N (ui, i ) x1 + x2 +xk ~ N ( ui , i2 )

2

i 1

i 1

i 1

COROLARIO X1,, Xk v.a.i. Xi ~ N (ui, 12 ) ai xi ~ N ( ai ui , a 2 12 )

COROLARIO X1,Xn muestra aleatoria de una N (u, 2 ) y sea Xn La media muestral
entonces Xn ~N (u, 2 )
n
TEOREMA DEL LIMITE CENTRAL Sean Xi i= 1,, n v.a.i. E (Xi) = ui V (Xi) = i2 )
n

X=

X
i 1

Zn =

X ui

12

~ N (0,1)

TEOREMA Xi v.a.i. con igual distribucin u= E(Xi)

2 V ( X i ) S E ( S ) n u V ( S ) nt 2 n Tn ( S n u )
n

i 1

n2

APROXIMACIN BINOMINAL A NORMAL X~ b (N, P) y =

n > 10 p 1

~ N (0,1)

x np
~ N (0,1) n grande
(n p q)1 / 2

CORRECCIN POR CONTINUIDAD X v.a. discreta:

1
P(X a) P( X a) = P (X a + ) 1 g ( x)dx
a
2
2

60

PROBLEMAS PROPUESTOS

1._ A un supermercado entran personas de acuerdo a un Proceso de Poisson, a un

promedio de 0.5 por minuto. Alrededor de 75% de las personas que entran al
establecimiento efectan compras. se observan las llegadas de personas al
supermercado a partir de la hora de apertura del mismo.
a) Cul es la probabilidad de que en la primera hora lleguen ms de 10 personas que
no efecten compras?
b) Cul es la probabilidad de que en la primera media hora llegue un total de ms de 15
personas?
c) Considere las diez primeras personas que entran. Cul es la probabilidad de que a lo
sumo dos de ellas no compren?
2._A un Terminal de vehculos llegan camionetas de pasajeros, vehculos de carga y
otros tipo de vehculo en proporcin de: tantos vehculos de carga como otro tipo de
vehculo y el 50% camionetas de pasajeros. El total de vehculos que llegan al Terminal
sigue una distribucin de Poisson con promedio de 20 vehculos cada media hora.
Los pagos de peaje por vehculo son:
10 Bs. camioneta de pasajero
5 Bs. vehculo particular
8 Bs. otro tipo de vehculo.
Las camionetas de pasajeros traen un promedio de 20 pasajeros por unidad, quienes
pagan Bs. 15 c/u.
En un perodo normal de trabajo de 12 se pide:
a) Valor esperado de vehculos que llegan al Terminal.
b) Valor esperado de la cantidad recaudada por concepto de pasajeros.
c) Valor esperado de la cantidad recaudada por el Terminal.
d) Se observan los vehculos que arriban hasta que llegan 5 camionetas de pasajeros.
Qu probabilidad hay de tener que contar ms de 10 vehculos.
e) En 365 das de observacin cul es la probabilidad de recaudar ms de 580.000 Bs.
por concepto de peaje.
(Defina cada variable a utilizar, su distribucin respectiva as como sus parmetros).
3._ Se disea cierto motor experimental de tres cilindros en lnea de tal forma que este
funciona mientras trabajen al menos 2 cilindros, suponga que los cilindros funcionan de
forma independiente y que la funcin de distribucin acumulada del tiempo de vida de
cada cilindro est dada por:
1-

( t )

con 2 aos 1,25

a) Cul es la probabilidad de que uno de los cilindros est funcionando para una
misin de 1 ao y medio?
b) Cul es la probabilidad de que el motor funcione para una misin de 2 aos y
medio?
c) Usando 6 corridas de montecarlo, estime la confiabilidad del motor para una
misin de 2 aos y medio, estime tambin la esperanza de vida del motor y su
desviacin estndar.
61

4._ Un aparato elctrico domstico tiene un tiempo de vida til que obedece a una
distribucin exponencial con promedio de 4 aos. El vendedor quiere ofrecer una garanta
por cierto tiempo, consistente en cambiar la unidad si sta se daa irreparablemente. Por
cuanto tiempo debe darse la garanta, si se quiere que la probabilidad de que el aparato no
se dae durante el tiempo de garanta sea 0.95%?
5._Se conoce que la vida en horas de cierto dispositivo es una V.A. con distribucin
WEIBULL cuyos parmetros son 500 1,5
a) Si se vende un lote de 1.000 de tales dispositivos Cul es la cantidad esperada de stos
que sobrevivirn despus de 200 horas de funcionamiento continuos.
b) Si se venden 10 dispositivos Cul es la probabilidad de que a lo sumo 2 de estos
dispositivos fallen antes de 300 horas?
6._Supongamos Que el nmero de lectores que llegan en una hora a una biblioteca es una
variable aleatoria real de tipo continuo con 5 ; es decir, llegan en una hora a una
biblioteca es una Variable Aleatoria Real de tipo continuo con u=5; es decir, llegan un
promedio de 5 lectores por hora lo que es lo mismo, en promedio cada 12 minutos llega un
lector (1/5) de hora = 12 minutos). El tiempo entre la llegada de un lector y el inmediato
siguiente es una VAR. Distribuida exponencialmente con parmetro 12, calcule la
probabilidad de que el tiempo transcurrido entre un lector y el inmediato siguiente sea menor
a 8 minutos.
7._ La vida en miles de horas de una unidad de cierto tipo de componentes electrnicos tiene
una distribucin exponencial con 1 . El fabricante tiene un perodo de garanta de 900
horas. Le parece razonable este perodo de garanta? Razone su respuesta.
8._ Supongamos que un instrumento electrnico tiene una duracin T que es una variable
aleatoria continua que se asume tiene la siguiente densidad de probabilidades f(t) = 2 2t t >0
El costo de fabricacin de ese instrumento es de B1 2 y asegura un reembolso al comprador
si T 1.
a) Si el fabricante vende el instrumento por Bs. 5 Cul es la utilidad esperada del
fabricante por artculo?
b) Por cunto deber vender el fabricante cada instrumento para tener una utilidad
esperada de Bs. 1?
9._ La Duracin de un componente electrnico tiene una distribucin exponencial con valor
esperado igual a 1000 horas y se desea completar una misin de 1500 horas Cuntos
componentes deben ser instalados en paralelo para que la confiabilidad del sistema no sea
inferior a 90%.
10._ La probabilidad de que un cliente acuda a un mostrador de una tienda en cualquier
perodo de un segundo, es igual a 0,1. Supngase que los clientes llegan de manera
aleatoria y por lo tanto las llegadas en cada intervalo de un segundo son independientes.
a) Encuentre la probabilidad de que la primera llegada ocurra durante el tercer intervalo de
un segundo.
b) Encuentre la probabilidad de que la primera llegada no ocurra hasta al menos el tercer
intervalo de un segundo
62

11._ El nmero de defectos en el tejido de cierta tela tiene una distribucin de Poisson con
una media de cuatro por yarda cuadrada.
a) Encuentre la probabilidad de que una muestra de una yarda cuadrada contenga al menos
un defecto.
b) Encuentre la probabilidad de que una muestra de tres yardas cuadradas contenga al
menos un defecto.
12._ El nmero de colonias de bacterias de cierto tipo es unas muestras de agua
contaminada tiene una distribucin de Poisson con un media de dos por centmetros cbicos.
a) Si se toman en forma independiente cuatro muestras de un cc de esta agua, encuentre la
probabilidad de que al menos una muestra tenga una o ms colonias de bacterias.
b) Cuantas muestras de un CC deben seleccionarse para tener una probabilidad de
aproximadamente 0.95 de encontrar al menos una colonia de bacterias?
13._ A un supermercado entran personas de acuerdo a un Proceso de Poisson, a un
promedio de 0.5 por minuto. Alrededor de 75% de las personas que entran al establecimiento
efectan compras. Se observan las llegadas de personas al supermercado a partir de la hora
de apertura del mismo.
a) Cul es la probabilidad de que en la primera hora lleguen ms de 10 personas que no
efecten compras?
b) Cul es la probabilidad de que en la primera media hora llegue un total de ms de 15
personas?
c) Considere las diez primeras personas que entran. Cul es la probabilidad de que a lo
sumo dos de ellas no compren?
14._ A un Terminal de vehculos llegan camionetas de pasajeros, vehculos de carga y otro
tipo de vehculo en proporcin de: tantos vehculos de carga como otro tipo de vehculo y
el 50% camionetas de pasajeros. El total de vehculos que llegan al Terminal sigue una
distribucin de Poisson con promedio de 20 vehculos cada media hora.
Los pagos de peaje por vehculo son:
10 Bs. camioneta de pasajero
5 Bs. vehculo particular
8 Bs. otro tipo de vehculo.
Las camionetas de pasajeros traen un promedio de 20 pasajeros por unidad, quienes pagan
Bs. 15 c/u.
En un perodo normal de trabajo de 12 se pide:
a) Valor esperado de vehculos que llegan al Terminal
b) Valor esperado de la cantidad recaudada por concepto de pasajeros.
c) Valor esperado de la cantidad recaudada por el Terminal.
d) Se observan los vehculos que arriban hasta que llegan 5 camionetas de pasajeros.
Qu probabilidad hay de tener que contar ms de 10 vehculos.
e) En 365 das de observacin cul es la probabilidad de recaudar ms de 580.000 Bs. por
concepto de peaje.
(Defina cada variable a utilizar, su distribucin respectiva as como sus parmetros).

63

15._ Sea Y una variable aleatoria definida por Y= X 1 + 2X2 + 3X3 + X4 donde X1, X2, X3, X4
se distribuyen normalmente con medias 1 2 , 2 2 , 3 4 , 4 4 y varianza 12 = 3, 22
= 4, 32 = 4, 42 = 2 respectivamente.
a) Calcular la probabilidad de que Y tome los valores comprendidos en el intervalo [19,23]
b) Si un ensamblaje es como la figura, donde la longitud de estos componentes son las v.a.
X1, X2, X3, X4 dada antes, determine la probabilidad de que la longitud del ensamblaje est
incluida en el intervalo
[19, 23]
X3 X2 X4 X3 X1 X2 X3

c) Analice los resultados obtenidos en a) y b)

d) Si se inspeccionan estos ensamblajes uno por uno hasta encontrar 2 que estn dentro del
intervalo [19, 23] Cul es la probabilidad de tener que inspeccionar entre 7 y 9
ensamblajes?
e) Se toma una muestra de 350000 y se quiere calcular la probabilidad de obtener ms de
135135 ensamblajes dentro del intervalo dado.
f) Cuntos ensamblajes deben inspeccionarse si se desea una probabilidad de 9015 de
encontrar ms de 135135 dentro del intervalo dado?
S el supervisor del proceso de ensamblaje anterior, no est satisfecho con los resultados
obtenidos. Para validar el proceso tom 750.000 ensamblajes y verific uno por uno y
determin que 224925 estaban dentro del intervalo. Si se toma de este conjunto una muestra
de igual tamao que en el problema anterior (350000 ensamblajes) Calcule la probabilidad
de obtener ms de 135135 dentro del intervalo dado?
16._ La central telefnica de una compaa recibe un promedio de 10 llamadas por hora. 1
inmediatamente despus de atender una llamada, la telefonista que maneja la central
telefnica abandona dicha central 10 veces al da, durante 12 minutos cada vez. Determine
la probabilidad de que no reciban llamadas durante su ausencia al menos 9 veces al da.
17._ Un camin de reparto se carga con 3 clases diferentes de productos cuyo peso (de cada
caja) se conoce es una va. con medias y desviaciones estndar dadas en la siguiente tabla:
Caja Tipo
A
B
C

Media (Kg.)
100
50
25

Desviacin Estndar
10
Kg.
5
Kg.
1/2
(20)
Kg.

El camin lleva 50 cajas del tipo A, 100 cajas del tipo B y 80 cajas del tipo C. El precio por
unidad (por Kilo) para cada producto es de:
PA = 50 Bs/Kg

PB = 80 Kg

Pc= 90 Bs/Kg

a) Qu probabilidad hay que el valor cargado por el camin no supere los Bs. 828.000?
b) Cul es el valor promedio de la carga del camin por bulto?

64

18._Despus de cerrar el gerente de un supermercado revisa diariamente la existencia de

artculos en el almacn, pide por telfono lo que necesita para el da siguiente, y los artculos
ordenados son entregados a primera hora del da. Los pedidos grandes producen
congestionamiento en el almacn y pedidos insuficientes pueden significar prdidas en las
ventas. Para cierta clase de sopa enlatada, el gerente ha decidido que 0.95 sea considerado
como la probabilidad mnima de satisfacer la demanda diaria de la sopa. Por experiencia el
gerente sabe que la demanda diaria sigue un proceso de Poisson con una media de 50
latas/da.
a) Si al final de un da quedan slo diez latas, cuntas debe ordenar el gerente?
b) En un lapso de 200 das, determine la probabilidad de que en 6 o ms pero en menos de
15 la demanda diaria exceda a 35.
c) Si en un da cualquiera de 8 horas de trabajo se observan las unidades demandadas,
determine la probabilidad de que la cuarta unidad demandada se observe despus de los 60
minutos pero antes de los 70 minutos.

19._En una operacin de montaje, se unen por los extremos cuatro tubos, uno del tipo T 1,
uno del tipo T2 y dos del tipo T3 como se muestra en la figura.
T1

T3

T2

T3

La mquina i, i= 1, 2,3, produce el tubo tipo T1 y una variable normal es una aproximacin
razonable para explicar la variabilidad en la longitud (en mm) en los tubos. Las tres mquinas
trabajan independientemente y conducen a las siguientes medias y desviaciones estndar.
Mquina
1
2
3

Media
10
12
20

Desviacin estndar
0,5
0,5
1,0

La longitud total del conjunto montado que debe juzgarse contra una especificacin de 62
3 mm.
a) Si se han producido cuatro montajes, determine la probabilidad de que la longitud
promedio e ellos sea menor de 43 mm.
b) Si se inspeccionan montajes uno por uno, cul sera la probabilidad de tener que
inspeccionar por lo menos 20 montajes para encontrar el 5to. Montaje fuera de
especificaciones.
c) Si consideramos un lote de 600 montajes, determine la probabilidad de encontrar menos
de 480 o ms de 510 montajes dentro de especificaciones.

65

20._ Un limpiador lquido para fregar utensilios de cocina se envasa en unidades de 1 lt, sin
embargo, debido al sistema de llenado del equipo, el contenido es una variable que se
distribuye normalmente con una desviacin estndar de .050 lts. Y una media que se puede
ajustar mecnicamente a juicio del operador. Los envases son colocados en cajas de 16
unidades para su despacho o almacenamiento.
a) Cul debe ser la media de llenado en que se debe ajustar el equipo para que el 20% de
las cajas despachadas tengan un contenido neto total inferior a 15,968 ml.
b) Si se observaron los envases llenados hasta obtener el primero con contenido mayor a
0.97 lts. Determine la probabilidad de que a lo sumo, 8 envases sea necesario observar.
(NOTA: si no se hizo la parte a) asuma un = 0.98 lts.).
c) Suponga que en un turno de trabajo se llenaron mil envases y que por cada uno que
contenga menos de 0.97 lts. Se incurre en un costo de retrabado de 400 Bs. Determine el
valor esperado y la desviacin estndar de el costo total de retrabado.
21._ La duracin de cierto componente electrnico sigue una distribucin exponencial. Se
construye un sistema con cinco componentes que funcionan independientemente, de tal
forma que el sistema funciona solamente cuando todos los componentes funcionan Cul
debe ser la confiabilidad mnima de cada componente si se desea que la confiabilidad del
sistema para una misin de 750 horas, sea de al menos 90%.
22._ Suponga que el tiempo de vida de cierta marca de cauchos importados, sigue una
distribucin normal con una esperanza de 100.000 kilmetros y una desviacin estndar de
20.000 kilmetros. Un taxista equipa su vehculo con cauchos de sta marca Cual es la
probabilidad de que el taxista pueda rodar sin sufrir pinchazos durante al menos 50 mil
kilmetros?
23._ Cierta fbrica manufacturera requiere de un producto especfico a granel. La cantidad
del producto utilizada en un da se puede modelar por una distribucin exponencial con 4
(Mediciones en toneladas) a) Encuentre la probabilidad de que la fbrica vaya a utilizar ms
de 4 toneladas en un da determinado. b) Qu cantidad del producto a granel habra que
almacenar para que la probabilidad de agotar la existencia sea solamente de 0.05? c) Cul
es la probabilidad de que de 10 das de produccin en 3 de ellos se utilicen ms de 4
toneladas? Calcule la probabilidad de que en un da determinado se utilicen ms de 4
toneladas si el da anterior se usaron ms de 4 toneladas. Justifique.
24._ Supongamos que el nmero de lectores que llegan en una hora a una biblioteca es una
variable aleatoria real de tipo continuo con 5 ; es decir, llegan un promedio de 5 lectores
por hora lo que es lo mismo, en promedio cada 12 minutos llega un lector (1/5 de hora = 12
minutos). El tiempo entre la llegada de un lector y el inmediato siguiente es una VAR.
distribuida exponencialmente con parmetro 12 , calcule la probabilidad de que el tiempo
transcurrido entre un lector y el Inmediato siguiente sea menor a 8 minutos.
25._Una empresa metalmecnica produce rodamientos con dimetros que tienen una
distribucin normal con una media de 3,0005 pulgadas y una desviacin estndar de 0,0010
pulgadas. Las especialidades requieren que los dimetros estn en el intervalo 3.000
0.0020 pulgadas. Se rechazan los cojinetes que quedan fuera del intervalo y deben volverse
a maquinar, con la maquinaria actual.

66

26._ Se sabe que una fuente de lquido contiene bacterias, con un promedio de 3 bacterias
por milmetros cbico (mm3). El nmero de bacterias por unidad de volumen puede tomarse
como una variable de Poisson. Diez tubo milimtricos de 0.5 mm 3 se llevan con el lquido.
Calcular la probabilidad de que:
a) Todos los tubos queden contaminados les decir, contengan por lo menos una bacteria.
b) Exactamente 7 tubos queden contaminados
27._ El tiempo (en horas) que tarda en Gerente en entrevistar a un aspirante para un trabajo,
tiene una distribucin exponencial con B= . Los aspirantes estn programados en
intervalos de de hora, empezando a las 8:00 a.m., y los aspirantes llegan exactamente a
tiempo, cuando el aspirante con una cita a las 8:15 a.m. Llega a la oficina del Gerente. Cul
es la probabilidad de que tenga que esperar para poder ver al Gerente?
28._ El supervisor de una construccin necesita calcular los precios con mucho cuidado
antes de presentar un presupuesto. Tambin debe tomar en cuenta la incertidumbre
(variabilidad) en las cantidades de los productos que podra necesitar, para simplificar el caso
supngase que el supervisor de un proyecto decide que la cantidad de arena, en toneladas,
necesaria para un proyecto de construccin es una variable aleatoria, que se distribuye
normalmente con una media de 10 toneladas y una desviacin estndar de 0.5 toneladas. La
cantidad de concreto necesaria, en cientos de libras, tambin es una variable aleatoria, que
se distribuye normalmente con media de 4 y una desviacin estndar de normalmente con
media de 4 y una desviacin estndar de 0.2 la arena cuesta $7 por tonelada y el concreto
cuesta $ 3 por cien libras, agregando $ 100 por otros tipos de costos, el supervisor calcula su
costo total en
U = 100 + > 7y1 + 3y2
Si Y1 y Y2 son independientes. Cuntos tendra que pedir el supervisor para estar seguro
de que los costos reales excedern la cantidad pedida con una probabilidad de solamente
0.01? Es razonable el supuesto de independencia en este caso?
29._ Una compaa vende productos A, B y C. las demandas de estos tres artculos son
independientemente y estn normalmente distribuidas con las medas y desviaciones tpicas
que se tabulan a continuacin:

Producto
A
B
C

Media unidades / ao
10.000
20.000
15.000

Desviacin tpica
unidades / ao
2.000
4.000
3.000

a) Cul es la probabilidad de que la demanda de todos los tres productos sea mayor que
50.000 unidades por ao?
b) Si los precios de venta de los productos A, B y C son respectivamente $60, $50, y $ 20 por
unidad, Cul es la probabilidad de que los ingresos anuales por la venta de todos los tres
productos sean menores que $2.200.000?

67

30._ Una compaa discrimina su estructura de costos en dos grandes renglones: Nmina y
Costos Operacionales, se conoce que ambos rubros son v.a. normales con media 20.000$ y
30.000$ y desviacin estndar 1.500$ y 2.500$ respectivamente. El ingreso de la compaa
resulta de la venta de C cantidad de productos que se venden a 75$ la unidad. C puede
modelarse como una v.a. normal con media 1.000 unidades y varianza 121 unidades 2.
a. Si la compaa presupuesta 51.000$ para cubrir sus costos. Cul es la probabilidad de
que no se requieran fondos adicionales?
b. Cul es la probabilidad de que la compaa obtenga una ganancia superior a los 30.000$.
c. Cunto debe ganar la compaa, si se desea trabajar con una probabilidad de apenas 8%
de no alcanzar tal valor?
31._La cantidad de estudiantes que solicitan exoneracin por pago de matrcula es una v.a.
de Poisson con media de 10 solicitudes por mes. Estudios anteriores evidencian que el 75%
de los estudiantes que solicitan exoneracin pertenecen a los cursos de computacin y el
resto a idiomas.
a. Cul es la probabilidad de que en un trimestre cualquiera el nmero de solicitudes para
exoneracin de cursos de idiomas alcance un valor de 10?
b. Si se seleccionan 10 meses al azar de los registros de solicitudes de exoneracin de los
cursos de computacin. Cul es la probabilidad de que a lo ms en tres de esos meses el
nmero sea exactamente 8?
c. Para un mes cualquiera, Cul es la probabilidad de que el sptimo estudiante que solicita
exoneracin de pago sea el quinto de computacin?
32._ Considrense dos marcas de cierto tipo de componente electrnico. La vida en horas de
cualquier componente marca 1 es una v.a. con una distribucin N (253. 6, 50), mientras que
la vida en horas de cualquier componente marca 2 es una v.a. con una distribucin
Exponencial con media 1800.
a) Se ponen a funcionar en forma independiente un componente marca 1 y 10 componentes
marca 2. Cul es la probabilidad de que al menos uno de ellos viva ms de 189.5 horas?.
b) Se ponen a funcionar, independientemente, 10 componentes marca 1 y 10 componentes
marca 2
b-1) Cul es la probabilidad de que al menos uno de los componentes viva 189.5 horas o
menos.
b-2) Cul es el valor esperado del nmero de componentes que viven ms de 189.5 horas?.
33._ Cierta oficina pblica presta tres clases de servicio, que designaremos 1,2 y 3. A tal
oficina llegan personas requeriendo servicio de acuerdo a un proceso de Poisson a una
razn promedio de 0.2 por minuto. La oficina trabaja cinco horas por da (8:00 a.m.
1:00p.m.) Cada persona requiere slo una clase de servicio. Alrededor de 25% de las
personas requieren el servicio 1 debe pagar Bs. 10, mientras que para los servicios 2 y 3 los
precios son Bs. 20 y Bs. 10 respectivamente. La oficina puede atender en un da 18
solicitudes del servicio 1, 18 solicitudes del servicio 3 y todas las solicitudes del servicio 2
determine el valor esperado del ingreso, en Bs., de la ofician en un da.
68

34._En la construccin de cierto tipo de casa prefabricada, los elementos estructurales son
producidos en una planta y luego son trasladados al sitio donde ser armada la casa.
Mientras se estn produciendo los elementos estructurales se realizan en el sitio de armado
las operaciones de excavacin, pilotaje y fundacin. Los tiempos de ejecucin, en das, de
las diferentes operaciones, son variables aleatorias independientes. La distribucin de cada
una de ellas se indica a continuacin:
OPERACIN
DISTRIBUCIN DEL TIEMPO DE EJECUCIN
Excavacin
N (2,1)
Pilotaje
N(1,0.25)
Fundacin
N(3,1)
Produccin de
Elementos estructurales
N(5,1)
Traslado de los elementos
al sitio de armado
N(2,0.25)
El diagrama de operaciones del proceso es el siguiente:

Cul es la probabilidad de que transcurran ms de ocho das entre el inicio de las

operaciones y el comienzo del armado de la casa?
35._Conocida la informacin mostrada en la siguiente grfica<.
X ~ N (u, )

El rea cuadriculada es de 0.9974

a=-3 y b = 3

Calcular:
1) Valor Esperado y Desviacin Estndar de la variable
2) Probabilidad de que x est en el intervalo (40,85)
3) Si se realizan 10 observaciones de la variable x, cual es la probabilidad de que a lo
menos dos (2) estn en el intervalo (40.85)
69

36._Un grupo de tcnicos que reparan telfonos son solicitados por 120 clientes con una
hora en promedio.
El grupo puede atender 2 solicitudes por minutos en promedio. Se pide: Cul es la
probabilidad de que la cuadrilla quede rebasada durante un minuto dado?
Dada una distribucin normal basada en 1000 casos con una media de 50 y una de
desviacin estndar de 10.
a) Encontrar la proporcin del rea y el nmero de casos entre la media y las siguientes
calificaciones:
70 ; 25
b) Encontrar la proporcin de rea y el nmero de casos entre las siguientes calificaciones:
60 - 70
; 25 - 60
37._ El crecimiento del tronco principal para una muestra de 30 pinos rojos de 4 aos, tiene
una media de 11.3 pulgadas y una pulgadas y una desviacin estndar de 3.4 pulgadas.
Obtener un intervalo de confianza de 90% para la media del crecimiento del tronco principal
para una poblacin de pinos rojos de 4 aos sujeta a condiciones ambientales similares.
Interprete el resultado.
38._ Una empresa que produce tarjetas magnticas de telfono tiene 3 fbricas y un almacn
en diferentes partes de la ciudad. Cada fbrica debe cubrir una cuota de produccin diaria
para guardarla en el almacn.
El elemento importante de la produccin es el largo de la tarjeta que debe cumplir con las
especificaciones 90 9.9 mm
La mquina de la fbrica 1, tiene una distribucin N(91,3 2) para el largo.
La mquina de la fbrica 2, tiene una distribucin N(88,4 2), para el largo.
La mquina de la fbrica 3, tiene una distribucin N(90,5 2), para el largo.
La cuota de produccin de la fbrica 1 es de 160.000 Unidades
La cuota de produccin de la fbrica 2 es de 120.000 Unidades
La cuota de produccin de la fbrica 3 es de 120.000 Unidades
Cada fbrica establece un control diferente para detectar posibles fallas de su mquina. Si
cumple la condicin reprocesa el lote.
La fbrica establece un control diferente para detectar posibles fallas de su mquina. Si
cumple la condicin reprocesa el lote.
La fbrica 1 toma una muestra de 1000 y reprocesa si hay ms de 1 tarjeta mala.
La fabrica 2 toma una muestra de 10 y reprocesa si hay mas de 1 tarjeta mala
La fabrica 3 prueba 1 por 1 y reprocesa, si la primera tarjeta mala se encuentra antes de la
tercera prueba (asuma muestreo con reemplazamiento).
a) Si tuviera que cerrar una fabrica Cul seria?
b) Si al final del da toma una tarjeta al azar del almacn Cul es la probabilidad que
est fuera de especificacin?
c) Cul es la probabilidad que esa tarjeta mala provenga de la mquina 2?
d) Cul es la probabilidad de que la fbrica 1 reprocese?
e) Cul es la probabilidad de que la fbrica 2 reprocese?
f) Cul es la probabilidad de que la fbrica 3 reprocese?
g) Si disea una nueva tarjeta como muestra la figura
T1 T2 T3

T1

T2

T3

Cul es la probabilidad de que la tarjeta no mida ms de 560 mm?

70

SOLUCION:
a) M1

X~ N (91,32) P ( 80.1 X 99.9)

P(-

2.9666) P (80.1 X 99.9) = P(-3.63 Xx

= 0.9984

10.9
8.9
X*
) = P (-3.63 Xx
3
3
2.96667) ~ 0,9985 0.0001

X ~ N (88,42) P(80.1 X 99.9) =

7.9
11.9
P( Xx
) P(1.975 X x 2.975)
4
4
P(80,1 X 99.9) P(1.975 X x 2.975) ~ 0.9986 0.0239 = 0.9747
9.9
9.9
M3 X ~ N (90,5) P(80.1 X 99.9) = P (X
) P(1.98 X 1.98) ~
5
5
0.9522
M2

Obviamente la fbrica 3
b) P(F1) = 0.4 P(D/F1)= 0,0016
P(D) = P(D ( F1UF 2UF 3)) = P[D F1)U ( D F 2)U ( D F 3) ]
P(F2) = 0.3 P(D/F2)= 0.0253 =
P F1) P( D F 2) P( D F 3) P( F1) P( D / F1) P( F 2) P( D / F 2)
P(F3) = 0.3

P(D/ F3) = 0.0478 + P(F3)P(D/F3)= 0.4*0.0016 + 0.3 * 0.0478

P(D) = 0.00064 + 0.00759 + 0.01434 = 0.02257

c) P (F2/D) =

F (2 D) P( F 2) P( D / F 2) 0.00759

0.3362871
P ( D)
P ( D)
0.02257

d) X=# defectuosos en la muestra X ~ B (1000, 0.0016) ~ P(1.6)

P(X 1) = 1 P(X=0) P(X=1) = 1 - 1.6 1 0,2018965 0.3230344 0.475069
e) Con la misma variable aleatoria X ~ B (10,0.0253)
P(X > 1) = 1 P(X=0) P (X=1) = 1- (0.9747)10 10*(0.9747)9* 0.0253 =
0.0251653
e) X ~ ( 0.0478) P (X< 3) = P(X= 1) + P (X=2)
0,0478+0.9522*0,0478= 0,0478 + 0.0455151 = 0.0933151
g) X1 ~ N (91,32) X2 ~ N (88,42) X3 ~ N ( 90,52) X y ~ N(91,32) X5~ N (88,42)
X6 ~ N (90,52)
X= X1+X2+X3+X4+X5+X6 ~ N (91+88+90+91+88+90, 9+16+25+9+16+25)
X ~ N (538,102)
P(X560) = P (Xx 2,2) = 0.9861
71

39._Dada la funcin de la grfica, y las incgnitas que en ella aparecen.

Si f(x) es la funcin de densidad de una exponencial con parmetro 2 , M es la
mediana. A el rea bajo la curva entre M y p.
Calcule las incgnitas, es decir A, h, j, M, p

Solucin:
A=0,3
H= 2
Sea X ~ EXP (2)
P(X j) = 0.2 =

2 2t dt 2t

1 2 j

2 j 0.8
2 j ln 0.8 0.2231435
j 0.1115717
P( X M ) 0.5 2 M 2 M ln 0,5 M

ln 0.5
2

M 0,3465735
P( X p) 0.2 2 p 2 p ln 0,2 p

ln 0.2
2

p 0,8047189
39._ El nmero de personas por hora que llega, en promedio, a un cierto telfono pblico, es
12 y el tiempo promedio de la duracin de las llamadas hechas all, es de cuatro minutos. Un
usuario ve desde el otro lado de la calle que nadie lo est usando y se dirige a l; si tarda
tres minutos en llegar al telfono, a) Cul es la probabilidad de que tenga que esperar ms
de cinco minutos?
72

40._Una mano de domin dura, en promedio, 3 minutos con una desviacin estndar de
medio minuto y sigue una distribucin normal. Cuando Rafael se dispone a comenzar una
nueva partida, recibe una llamada de su esposa requiriendo su presencia en casa; muy
atento, le dice que terminar la partida en media hora y luego, entonces, saldr para all. Si
la partida se completa en 11 manos, Cul es la probabilidad de que Rafael pueda cumplir
su promesa? Cul es la probabilidad de que, en esa misma partida, se jueguen 3 manos de
ms de cuatro minutos?
41._Un estudiante puede resolver una pregunta cualquiera de este examen, en promedio, en
media hora, de acuerdo a un proceso Poisson. Cul es la probabilidad de que si el profesor
decide recoger el examen en dos horas, UD. lo entregue con todas las preguntas
respondidas.
42._Se requiere comprar provisiones (alimentos y bebidas) para la realizacin de un proyecto
en una regin apartada del pas. El costo de provisiones para un da es de 400 Bs. Si las
provisiones no alcanzan habr que adquirirlas al doble del costo y si sobran se venden a la
mitad del costo. La duracin del proyecto en das es una variable aleatoria uniforme en el
intervalo (90 110 das). Calcule para cuantos das se deben comprar provisiones si se
desea minimizar el costo esperado.
43._ Una mquina troqueladora produce tapas de latas cuyos dimetros son variables
aleatorias independientes y normalmente distribuidas con desviacin estndar 0.01 pulgadas.
a) En qu dimetro nominal (dimetro medio) debe ajustarse la mquina si se
requiere que alrededor de un 5% de las tapas tengan dimetros que no
excedan a 3 pulgadas?
b) Cul es la probabilidad de que el promedio de los dimetros de 100 tapas
exceda a 3.1 pulgadas? (Use el dimetro medio obtenido en a).

73

C
CA
AP
PIITTU
ULLO
OV
VII
CONFIABILIDAD

DEFINICIN LA CONFIABILIDAD de un producto se define como la probabilidad de que

funcione dentro de lmites dados al menos durante un perodo en condiciones ambientales
especficas.
EJEMPLO: La confiabilidad de unos neumticos para un automvil de tipo estndar se
aproxima a la unidad para 10.000 Millas de operacin normal en un automvil normal, pero
es casi cero si se utiliza en las 500 Millas de Indianpolis.
DEFINICIN UN SISTEMA EN SERIE est caracterizada por el hecho de que todos sus
componentes estn relacionados de manera que el sistema complejo deje funcionar si
alguno de sus componentes falla.
Un Sistema en paralelo, por el contrario, solo deja de funcionar si todos sus
componentes fallan.
- Una gran cantidad de sistemas pueden considerarse como sistemas en serie en paralelo,
una combinacin de ambos.
LEY DEL PRODUCTO DE CONFIABILIDADES
Supngase un sistema de n componentes conectados en serie, y supngase que
todos los componentes son independientes, es decir, que el rendimiento de cualquiera de las
n

partes no afecta a la confiabilidad de las otras. Entonces

Rs =

R i donde Ri es la

i 1

confiabilidad del i-Esimo componente y Rs es la confiabilidad del sistema en serie.

LEY DEL PRODUCTO DE INESTABILIDADES
Si un sistema consta de n componentes independientes, conectados en paralelo
dejar de funcionar si sus n componentes fallan. En consecuencia si F i = 1 Ri es la
Inestabilidad del i-Esimo componente,
u

Fp =

Fi es la inestabilidad del sistema en paralelo y R p= 1 Fp es la confiabilidad del

i 1

sistema entonces la confiabilidad del sistema en paralelo es Rp= 1 - (1 R i ) .

i1

DISTRIBUCIONES DEL TIEMPO DE FALLA

La confiabilidad de un sistema componente, depende a menudo del intervalo, de
tiempo que ha estado en servicio, entonces es de primordial importancia en estudios de
confiabilidad la distribucin del tiempo de falla, esto es la distribucin del tiempo de falla de
un componente en condiciones ambientales determinadas. Una manera til de caracterizar
esta distribucin consiste en recurrir a su razn de falla instantnea asociada. Desarrollemos
este concepto.
Supngase que f(t) represente la densidad de probabilidad del tiempo de falla de un
componente dado, o sea que la probabilidad de que el componente falle entre los tiempos y
74

 esta dada por f(t) . Entonces, probabilidad de que el componente falle en el

intervalo de o a t esta dada por
F(t) =

f ( x)dx
o

y la funcin de confiabilidad que expresa la probabilidad de que dure ms del

tiempo t est dada por R(t) = 1 F(t) As la probabilidad de que el componente caiga en el
intervalo entre t y t+ t es F(t + ) F(t ) y la probabilidad condicional de falla durante este
intervalo, dado que el componente dur ms que el tiempo t se expresa mediante.

F( t t ) F( t )
Dividiendo por t Encontramos la razn promedio de falla en el intervalo de t
R( t )
F( t t ) F( t )
1
a t+ t , dado que la componente dur ms que el tiempo t, es
.
tomando
( t )
R( t )
el lmite cuando t o obtenemos entonces la Razn de falla instantnea simplemente
F1 ( t )
la Razn de Falla Z(t)=
como f(t) = F 1 ( t ) tenemos la ecuacin general para la funcin
R( t )
de tiempo de falla.
Z (t)=

f (t)
f (t)

que expresa la razn de falla trminos de la distribucin del tiempo de

R( t ) 1 F( t )

falla.
FIG. I

Falla
Accidentales
Falla
Tempraneras

Falla
de desgaste

Curva para la razn de falla que caracteriza a una gran diversidad de artculos
manufacturados. En la 1era. Parte los artculos de mala calidad son eliminados.
Derivemos ahora una importante relacin que expresa la densidad del tiempo de falla en
trminos de la funcin tiempo de falla (recuerde R (t) = 1-F(t) y F1T(t) = - R1 (t) )

75

Z (t) = -

R1 ( t ) dlnRt
al Resolver la ecuacin diferencial para R (t)

R( t )
dt
t

OBTENEMOS R (T) = o

z ( x )dx

(Recuerde f(t) = Z(t) R (t))

z ( x )dx
f (t) = - Z(t) o
Obtenemos la Ecuacin general para la distribucin tiempo de falla a
menudo se supone que la razn de falla es constante durante el perodo de vida til de un
componente. Fig. I.

Denotando esta razn de falla constante por , con

> 0 f (t) , t

Si un componente que falla es reemplazado de inmediato por otro que tenga la misma razn
de falla constante . La ocurrencia de tiempos de falla es un proceso Poisson. El tiempo
promedio de espera entre fallas sucesivas es y . A esta constante suele denominarse
tiempo promedio entre fallas (MTBF).
-Una funcin til que suele usarse para aproximar las curvas donde la razn de falle no es
constante sino que crece decrece suavemente con el tiempo est dada por:
Z (t) = t 1 t >0 , constantes positivas. Si sustituimos Z (t) en:

f (t) = t 1 t t > 0

De NEIBULL.

MODELO EXPONENCIAL DE CONFIABILIDAD

Si se hace la suposicin exponencial acerca de la distribucin de tiempos de falla, pueden
derivarse resultados tiles relativos al MTB de los sistemas en serie y paramos sabemos R
(t) = 1- F (t) = 1 -

dx t

Si un sistema consta de n componentes conectados en serie y tienen i razones de

falla para el i-Esimo componente la ley del producto de confiabilidad para el caso

Exponencial

Rs (t ) eit t
i 1

La funcin de confiabilidad
sistema
tambin
satisface
suposicin exponencial.

del
la

La razn de la falla del sistema es la suma de las razones de falla de sus componentes
n

, dado que el MTBF es el recproco de la razn de falla cuando cada componente que
i 1

falla es reemplazado de inmediato por otro que tiene una razn de falla idntica, obtenemos
1
la forma del tiempo promedio entre fallas, (sistema en serie) us =
que
1 1
1
....
u1 u2
un
expresa el MTBF us de un sistema en series en trminos de Los MTBF ui de sus
componentes, en el caso especial que todos los componentes tengan la misma razn de falla
76

 y por tanto la misma MTBF u, La razn de falla de falla del sistema es n , el MTBF del
sistema es 1/ u
-

n
En el caso de sistemas en paralelo, los resultados no son tan simples. Si un sistema
consta de n componentes en paralelo que tienen sus razones de fallas respectivas
1, 2 ,..., n , la Inestabilidad del sistema en el tiempo T est dad por
n

Fp (t) = (1 i t ) . As la distribucin tiempo de falla de un sistema en paralelo

i 1

satisfaga la suposicin exponencial. La funcin razn de falla del sistema puede

obtenerse por medio de la frmula Zp (t) = Fp1 (t ), /Rp (t), pero el resultado es bastante
complicado. Obsrvese que la razn de falla no es constante sino que depende de t, o
sea la Edad del sistema. El tiempo promedio de falla de un sistema en paralelo es
difcil de calcular en general, pero en el caso especial donde todos los componentes
tienen la misma razn de falla , puede obtenerse un resultado interesante y til.
-

1 1
1
p (1 ..... )
2
n
Tiempo promedio entre fallas para un sistema en paralelo donde todos sus componentes
tienen idntica razn de falla . Esto tomando en cuenta que cada componente defectuoso
es reemplazado cada vez que falle el sistema total en paralelo.
El modelo de Weibull en pruebas de vida
Funcin de weibull f (t) = pt p 1 t
t > 0, > 0, > 0

Funcin de confiabilidad
de Weibull R(t) = t

(Suposicin ms general que la razn de falla constante)

Funcin razn de falla de Neibull Z (t)= 1

Tiempo Promedio de Falla Modelo de

Weibull
1
1 / (1 )

Varianza del Modelo de Weibull

1
2 2 / { (1 2 ) [ 1 (1 )

77

PROBLEMAS PROPUESTOS
1._Dados 2 sistemas en Stand-by calcule mediante 5 simulaciones el tiempo promedio entre
fallas y la confiabilidad del sistema para una misin de 800 horas.
t1 ~ N ( = 500, 2 = 20)
t2 ~ EXP ( 0,1)
t3 ~ w ( 300, 1,2)
t4 ~ w ( 350, 1,5)
t5 ~ EXP ( 0,2)

2
3
5
4

2._Suponga que cierta batera proporciona energa elctrica para la iluminacin de un

depsito, tal como se muestra en la figura. La batera se enchufa al tiempo t=0 suponga que
las lmparas (bombillos) funcionan independientemente. La duracin (vida) en miles de horas
de cada lmpara, est adecuadamente descrita mediante la funcin de densidad de
probabilidad.
X

X 1
LAMPARA

f (t) = t t 0 con 1
horas
1000

X
LAMPARA 2

Tierra

0 t<0

Tierra

Cul es la probabilidad de que el

depsito quede completamente a oscuras
despus de 1500 horas seguidas de
iluminacin? (es decir, que permanezca
iluminado 1500 horas como mnimo.

3._Un sistema de proteccin contra cohetes est construido con N unidades de radar que
funcionan independiente, cada una con probabilidad de 0.9 de detectar un cohete que
ingrese en la zona que cubren todas las unidades.
a) Si N=5 y un cohete entra en la zona, Cul es la probabilidad de que exactamente cuatro
unidades detecten al cohete? Al menos una unidad?
b) Cul debe ser el valor de N para que la probabilidad de detectar el cohete al entrar en la
zona sea de 0.999
4._ Un libro de N pginas contiene, en promedio X errores de impresin por pgina. Estimar
la probabilidad de que por lo menos una pgina contenga ms de Y errores.
5._ Dados 2 sistemas en Stand-by calcule mediante 5 simulaciones el tiempo promedio entre
fallas y la confiabilidad del sistema para una misin de 800 horas.

78

6._Un sistema est constituido por tres componentes de tal forma que ste funciona mientras
al menos dos de los componentes funcionan. Calcule la confiabilidad del sistema si se sabe
que las confiabilidades de cada uno de los componentes son, respectivamente, 0.90; 0.95;
0.80
7._Dado el siguiente sistema de componentes:
0,9
0,95
.95
0,9

0.85

0,9

0,85

0,85

En los crculos
Aparecen las
Probabilidades de que
cada componente
funcione en un instante
cualquiera.

a) Calcule la confiabilidad del sistema.

b) Cuntos sistemas iguales al anterior habra que poner en paralelo sistemas para lograr
que la confiabilidad del conjunto sea mayor o igual a 0.9999?
8._Supngase que cierto sistema contiene 3 componentes que funcionan
independientemente unos de otros y que estn conectados en serie, de forma que el sistema
falla tan pronto como uno de los componentes falla. Suponga que el tiempo de vida del
primer componentes tiene una distribucin exponencial con 1 0.001, el del segundo
componente con 2 0.003 y el del tercer componente con
probabilidad de que el sistema no falle antes de 100 horas.

3 0.006. Determine la

a) Si se fabrica un componente con + 0.10 y se instalan 30 de estos de modo que tan

pronto como el primero falla empieza a funcionar el segundo, tan pronto como el segundo
falla empieza a funcionar el tercero y as sucesivamente. Sea T el tiempo total de operacin
de los 30 componentes. Cul es la probabilidad de que T exceda las 350 horas?
9._ Un distribuidor vende ligas en paquetes de 100 y garantiza que a 10% son defectuosas.
Un consumidor controla cada paquete extrayendo 10 ligas sin reemplazo. Si la muestra no
contiene ligas defectuosas, l acepta el paquete. De otra manera lo rechaza.
10._A partir de la siguiente informacin acerca del posible consumo de gas domstico se
requiere decidir si se instala o no se instala una compaa que la compaa tendr costos de
operacin de 180.000 Bs. /mes Aconsejara usted la instalacin de dicha compaa?
Explique detalladamente.

79

ESTRATO SOCIOECONMICO

NUMERO DE
HABITANTES

CONSUMO POR
HABITANTE (Bs. /mes)
v.a. uniforme

4.000

(8,12)

II

3.000

(15, 25)

III

2.000

(30,50)

N 4 Si X N ( 3; 0,5)
Calcule:
a) P(2.5 X 4)
b) P(3 X 4.5) para n=5
5

c) Si Y =

X
i0

P(Y 13)
d) Si Z t con 7 grados de libertad, diga para que valor de Z la probabilidad acumulada hasta
ese punto sea de 0.90.
e) Si W X2 con 10 grados de libertad. Calcule lo siguiente:
p(6,7 w 16)
f) Si X Poisson con 5 . Calcule : P(x 3)

11._Se ha desarrollado un nuevo tipo de molde para concreto. Este nuevo molde posee
ventajas sobre el molde estndar como, por ejemplo, endurecimiento ms rpido. Sin
embargo, algunos ingenieros han expresado dudas respecto a la resistencia del producto
final.
No se consider econmico tomar ms de tres observaciones en cada tipo de molde y los
resultados fueron:

80

MARCA DE CEMENTO

II

III

MOLDE ESTANDAR

4.680

4.650

4.520

psi

NUEVO MOLDE

4.020

3.940

3.980

psi

a) Determine si hay prdidas de resistencia con el nuevo molde.

b) Asumiendo
d es aproximadamente igual a 166 psi, Cuntas observaciones se
necesitan para detectar una prdida de 400 psi en resistencia al menos en 90% de las
veces?

12._Calcule la confiabilidad del sistema siguiente:

Suponiendo que Ri

0.9 para todo i

13._ Para tratar de recuperar los costos en los componentes rechazados por control de
calidad y cumplir las especificaciones del cliente se dise el siguiente circuito.

81

a) calcule la confiabilidad del sistema, si cada componente tiene la confiabilidad

sealada.
b) Cuntos circuitos habr que poner en paralelo (de la grfica) para garantizar una
confiabilidad superior A 0.999999?
Solucin: Este circuito es equivalente a
a)

b)
n

n=

1-(1-p)n = 0.999999
(1-p)n = 0.000001
(1-0.9466336)n = 0.000001
(0.0533664)n = 0.000001

ln 0.000001
13.815510

4.7142
ln 0.0533664
2.9305739

n= 5
14._Dado el siguiente calcule la confiabilidad si cada uno tiene confiabilidad R i

82

Bibliografa
1) BAIN, L.; ENGELHART, M.

1989.

Introduction to Probability and Mathematical

Statistics. PNS-Kent Publishing Company. U.S.A.

2) CANAVOS, G. 1998. Probabilidad y Estadstica. Aplicaciones y mtodos. McGraw-Hill
de Mxico S.A. de C.V.
3) CASELLA, G. BERGER, R. 2002. Statistical Inference. 2ND Ed. Estados Unidos:
Brooks/Cole Publishing Company.
4) EVANS, M.; HASTINGS, N. 2000. Statistical Distributions. 3rd ed. Wiley-Interscience
5) JOHNSON, N. L.; KOTZ, S.; KEMP, A. W. 1993. Univariate Discrete Distribution. 2nd
Ed. John Wiley & Sons, Inc. USA.
6) JOHNSON, N. L.; KOTZ, S.; BALAKRISHNAN, N.

1994. Continuous Univariate

Distribution. Volume 1. 2nd Ed. John Wiley & Sons, Inc. U.S.A.
7) MENDENHALL, W.; SCHEAFFER, R.; WACKERLY, D.

1994.

Estadstica

Matemtica con Aplicaciones. Grupo Editorial Ibero Amrica S.A. de C.V.

8) MEYER, P. 1992. Probabilidad y aplicaciones Estadsticas. Edicin Revisada.
Addison-Wesley Iberoamericana. U.S.A.

83