Está en la página 1de 31

N O TA S D E P R O B A B I L I D A D Y E S TA D S T I C A

TRIMESTRE 15-O

roman anselmo mora gutirrez


antonin ponsich
eric alfredo rincn garca

Septiembre - Diciembre

Departamento de Sistemas

Universidad Autnoma Metropolitana

Unidad Azcapotzalco
NDICE GENERAL

1 semana 5 1
1.1 Variable aleatoria discreta 1
1.2 Esperanza y varianza de una variable aleatoria discreta 5
1.3 Distribucin de Bernoulli 7
1.4 Distribucin discreta uniforme 8
2 semana 6 11
2.1 Distribucin binomial 11
2.2 Distribucin geomtrica 14
2.3 Distribucin binomial negativa 15
3 semana 7 17
3.1 Distribucin hipergeomtrica 17
3.2 Distribucin de Poisson 20
4 semana 8 23
4.1 Autoevaluacin 2 23
a anexos 25
a.1 Tabla de ecuaciones 25
b bibliografa recomendada 27

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. iii
SEMANA 5
1
1.1 variable aleatoria discreta

En este captulo se define el concepto de variable aleatoria discreta, se realizan al-


gunos ejemplos para entender su uso y se explica la forma en que se relaciona con el
concepto de probabilidad.
Denicin 1.1.1 Una variable aleatoria discreta es aquella cuyos valores posibles for-
man un conjunto finito o infinito numerable.

 Ejemplo 1.1 Para hablar de una variable aleatoria es necesario definir un experimento
y sus posibles resultados.

Considera que se seleccionan una muestra de estudiantes universitarios y se les pre-


gunta cuntos aos tienen. Los posibles resultados formarn un conjunto finito de va-
lores enteros. Supongamos que el resultado final son edades entre 18 y 60 aos. Ahora
debemos definir una variable aleatoria para estos posible resultados, por ejemplo:
X : {18, 19, 20, . . . , 58, 59, 60} <
dada por:



0, si x 6 25
X(x) = 1, si 25 < x 6 40


2, si 40 < x 6 60


 Ejemplo 1.2 Considera que realizamos dos lanzamientos de un dado. Los posibles
resultados de este experimento son 36 y se pueden representar como coordenadas, por
ejemplo si en el primer lanzamiento sale 5 y en el segundo 3, el resultado es (5,3). Aho-
ra se debe definir una variable aleatoria para estos posible resultados, por ejemplo:
X : {(1, 1), (1, 2), (1, 3), ..., (6, 5), (6, 6)} <
dada por:
X(x, y) = x + y
Observa que se pueden definir muchos tipos de variable aleatoria para cada experimen-
to, y es importante definir la variable adecuada para el anlisis que se deba realizar.
Un tema que resultar central en el resto del curso es la funcin de probabilidad (tam-
bin llamada distribucin de probabilidad o funcin de masa de probabilidad), que se
define de la siguiente manera. 

Denicin 1.1.2 Para una variable aleatoria discreta X, que puede tomar los valores
x1 , x2 , . . . , xn , con probabilidades p(x1 ), p(x2 ), . . . , p(xn ), la distribucin de probabi-
lidad, que va del rango de X al intervalo [0, 1], se define como:

fX (xi ) = P(X = xi ) (1)

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 1
semana 5

Observacin 1 Como fX (x) est dada por una probabilidad, se tienen los siguientes
resultados:
1. fX (xi ) > 0 para toda i.
Xn
2. fX (xi ) = 1.
i
 Ejemplo 1.3 En una compaa que se eligieron 6 lotes para ser revisados y contar el
nmero de componentes defectuosos que contienen. Los resultados se presentan en la
siguiente tabla.

Lote 1 2 3 4 5 6
No. de componentes defectuosos 0 2 0 1 2 0

Para este ejemplo se definir una variable aleatoria X de la siguiente manera:


X = Nmero de componentes defectuosos en cada lote.
Bajo esta definicin se tiene:
X(lote 1) = 0; X(lote 2) = 2; X(lote 3) = 0, ..., X(lote 6) = 0
Por lo tanto, los posibles valores que puede tomar la variable aleatoria X son 0, 1, 2.
Por otro lado se observa que de los 6 lotes revisados se obtuvieron 3 lotes con cero
defectos, un lote con un defecto y 2 lotes con 2 defectos, entonces se tienen las siguientes
probabilidades:
fX (0) = P(X = 0) = 3/6 = 1/2
fX (1) = P(X = 1) = 1/6
fX (2) = P(X = 2) = 2/6 = 1/3
Por lo tanto la distribucin de probabilidad de la variable aleatoria X ser
fX (0) = 1/2; fX (1) = 1/6; fX (2) = 1/3.


Otro concepto importante es la distribucin de probabilidad acumulada.


Denicin 1.1.3 La funcin de distribucin o distribucin de probabilidades acumu-
ladas de una variable aleatoria discreta X, denotada como FX (x), est dada por:

X
FX (x) = P(X 6 x) = fX (xi ) (2)
xi 6x

Observacin 2 Las siguientes propiedades son resultado de la definicin de FX (x).


1. 0 6 FX (x) 6 1
2. si x 6 y entonces FX (x) 6 FX (y)
 Ejemplo 1.4 Para el ejemplo anterior determina la funcin de distribucin para la
variable aleatoria X.
FX (0) = P(X = 0) = 1/2

1 1 4
FX (1) = (P 6 1) = P(X = 0 X = 1) = P(X = 0) + P(X = 1) = f(0) + f(1) = 2 + 6 = 6

FX (2) = (P 6 2) = P(X = 0 X = 1 X = 2) = P(X = 0) + P(X = 1) + P(X = 2)



= f(0) + f(1) + f(2) = 1

2 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
1.1 variable aleatoria discreta

 Ejemplo 1.5 Se prueban tres componentes cada uno clasifica como falla o pasa. Se
considera que la probabilidad de que un componente pase es 0.8 para cada componente
y adems pasar o fallar son eventos independientes entre componentes distintas.
a) Determina el espacio de soluciones para este experimento
Primero se definen los eventos cuya probabilidad se desea calcular, sean: P =
pasan; F = fallan. De esta forma:
S = {PPP, PPF, PFP, FPP, PFF, FPF, FFP, FFF}
b) Determina la probabilidad de que los tres componentes pasen la prueba.
Entonces se est buscando P(P P P), como los componentes son independien-
tes tenemos lo siguiente:
P(P P P) = P(P)P(P)P(P) = (0.8)(0.8)(0.8) = 0.512
c) Determina la distribucin de probabilidad para la siguiente variable aleatoria X:
X = nmero de componentes que pasan la prueba.
Primero se observa que la variable aleatoria funciona de la siguiente forma:
X(P, F, P) = 2; X(P, F, F) = 1; X(F, F, F) = 0; X(P, P, P) = 3; etc.

Ahora se debe determinar la probabilidad asociada a cada posible valor que pue-
da tomar X.
P(X = 0) = 18 entonces fX (0) = 81

3 3
P(X = 1) = 8 entonces fX (1) = 8

3 3
P(X = 2) = 8 entonces fX (2) = 8

1 1
P(X = 3) = 8 entonces fX (3) = 8

d) Ahora determine la distribucin de probabilidad acumulada de la variable aleato-


ria X.
FX (0) = fX (0) = 18

1 3 4 1
FX (1) = fX (1) + fX (0) = 8 + 8 = 8 = 2

1 3 3 7
FX (2) = fX (0) + fX (1) + fX (2) = 8 + 8 + 8 = 8

1 3 3 1 8
FX (3) = fX (0) + fX (1) + fX (2) + fX (3) = 8 + 8 + 8 + 8 = 8 =1
Proposition 1.1.1 Para cualesquiera dos nmeros a y b con a 6 b se tiene lo siguiente:

P(a 6 X 6 b) = FX (b) FX (a) (3)

Donde (a) representa el valor mximo posible de X que es estrictamente menor


que a. Entonces:
P(a 6 X 6 b) = P((X = a) (X = a + 1) ... (X = b)) = FX (b) FX (a 1) 

 Ejemplo 1.6 Utilizando los datos del ejemplo anterior determina:


a) P(1 6 X 6 2)
7 1 6
P(1 6 X 6 2) = FX (2) FX (1) = FX (2) FX (0) = 8 8 = 8

b) P(2 6 X 6 3)
1 1
P(2 6 X 6 3) = FX (3) FX (2) = FX (3) FX (1) = 1 2 = 2

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 3
semana 5

Para graficar FX (x) en el caso discreto se sigue la siguiente regla. Si la variable alea-
toria X toma los valores x1 ,x2 , ..., xn entonces:



FX (xi ), si xi 6 x < xi+1
FX (x) = 0, si x 6 x1 


1, si x 6 x n

 Ejemplo 1.7 La distribucin de probabilidad de la variable aleatoria X est dada por


la siguiente tabla:

X 1 2 3 4
fX (x) 0.4 0.3 0.2 0.1

Primero se determinar la distribucin de probabilidad acumulada y posteriormente


se realizar la grfica. Entonces:
FX (1) = 0.4
FX (2) = 0.4 + 0.3 = 0.7
FX (3) = 0.4 + 0.3 + 0.2 = 0.9
FX (4) = 0.4 + 0.3 + 0.2 + 0.1 = 1

Respetando las reglas para graficar FX (x), se tiene lo siguiente:



0, si x < 1





0.4, si 1 6 x < 2
FX (x) = 0.7, si 2 6 x < 3



0.9,

si 3 6 x < 4


1, si 4 6 x
Realizando el grfico se obtiene el siguiente resultado:


 Ejemplo 1.8 Se evalan automviles y se reportan el nmero de defectos. Sea X el


nmero de defectos importantes. La funcin de distribucin acumulada de X es:

4 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
1.2 esperanza y varianza de una variable aleatoria discreta



0.06, si 0 6 x < 1





0.19, si 1 6 x < 2




0.39, si 2 6 x < 3
FX (x) = 0.67, si 3 6 x < 4





0.92, si 4 6 x < 5



0.97, si 5 6 x < 6



1, si 6 6 x.
Responde las siguientes preguntas.

a) Determina la probabilidad de que se encuentren a lo ms 3 defectos.


P(X 6 3) = FX (3) = 0.67
b) Determina la probabilidad de se encuentren al menos 3 defectos.
P(X > 3) = 1 P(X 6 2) = 1 0.39 = 0.61
c) Determina la probabilidad de que se encuentren entre 2 y 5 defectos.
P(2 6 X 6 5) = FX (5) FX (2) = FX (5) FX (1) = 0.97 0.19 = 0.78
d) Determina la probabilidad de que se encuentren ms de 2 errores y a lo ms 5.
P(2 < X 6 5) = FX (5) FX (2) = 0.97 0.39 = 0.58
e) Determina la probabilidad de que se encuentren ms de 2 errores y menos de 5.
P(2 < X < 5) = P(2 < X 6 4) = FX (4) FX (2) = 0.92 0.39 = 0.53
f) Determina la probabilidad de que se encuentren al menos 2 errores, pero menos de
5.
P(2 6 X < 5) = P(2 6 X 6 4) = FX (4) FX (2) = FX (4) FX (1)
= 0.92 0.19 = 0.73


1.2 esperanza y varianza de una variable aleatoria discreta

Denicin 1.2.1 La media de una variable aleatoria discreta que puede tomar n valo-
res, x1 , x2 , ..., xn , est dada por:

X
n
X = E(X) = xi fX (xi ) (4)
i=1

Donde E(X)", se lee como valor esperado de X.

Denicin 1.2.2 La varianza de la variable aleatoria X se puede definir en trminos


del valor esperado como:

X
n
2X = Var(X) = E(X X ) = (x X )2 fX (x) = E(X2 ) 2X (5)
i=1

La media o valor esperado, tambin llamada esperanza, esperanza matemtica o media


poblacional, cumple con las siguientes propiedades:
E(X + b) = E(X) + b
E(X + Y) = E(X) + E(Y)
E(aX) = aE(X)

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 5
semana 5

Donde:
X, Y son variables aleatorias.
a, b son constantes reales.
Es importante destacar que las propiedades anteriores indican que el operador espe-
ranza es un operador lineal.
En el caso de la varianza se puede demostrar que cumple con las siguientes propieda-
des:

1. Var(X) > 0
2. Var(b) = 0
3. Var(aX + b) = a2 Var(X)
Donde:
X, Y son variables aleatorias
a, b son constantes reales
En particular, la propiedad 3 indica que la varianza, a diferencia de la esperanza, no
es un operador lineal ya que no distribuye ni la suma ni el producto de una variable
aleatoria con escalares.
 Ejemplo 1.9 Considera el experimento de lanzar un dado. Entonces el espacio mues-
tral S es:

Ahora considera la variable aleatoria que asigna a cada lanzamiento del dado, el n-
mero de puntos obtenido, entonces:
X = {1, 2, 3, 4, 5, 6}
Ahora se determinar la distribucin de probabilidad.
Como los nicos valores de la variable aleatoria son 1, 2, 3, 4, 5 y 6, y todos tienen la
misma probabilidad de ser elegidos, se tiene lo siguiente:
P(X = 1) = P(X = 2) = P(X = 3) = P(X = 4) = P(X = 5) = P(X = 6) = 61
Por lo tanto:
fX (1) = fX (2) = fX (3) = fX (4) = fX (5) = fX (6) = 16

Ahora se determinar el valor esperado de X.


X = E(X) = fX (1) 1 + fX (2) 2 + fX (3) 3 + fX (4) 4 + fX (5) 5 + fX (6) 6 = 3.5

Al conocer el valor de la media es posible calcular el valor de la desviacin estn-


dar de X.
2X = Var(X) = (1 3.5)2 fX (1) + (2 3.5)2 fX (2) + (3 3.5)2 fX (3) + (4 3.5)2 fX (4)
+(5 3.5)2 fX (5) + (6 3.5)2 fX (6) = 2.9167
Finalmente, la desviacin estndar es:
1 1
X = (Var(X))( 2 ) = (2.9167)( 2 ) = 1.71

6 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
1.3 distribucin de bernoulli

 Ejemplo 1.10 Responde a las siguientes preguntas suponiendo que en el nacimiento


de un beb los resultados nio o nia son igualmente posibles, y que los nacimientos
son eventos independientes.
a) Determina el espacio de soluciones al considerar tres nacimientos.
Si se utiliza la letra M para indicar el nacimiento de una nia y H el nacimiento
de un nio, se tendr:
S = {MMM, MMH, MHM, HMM, MHH, HMH, HHM, HHH}
b) Considera a X la variable aleatoria que cuenta el nmero de nios que nacen en
tres partos. Determina los posibles valores de X:
X = {0, 1, 2, 3}
c) Determina la distribucin de probabilidad de la la variable aleatoria X.
fX (0) = P(X = 0) = 18

3
fX (1) = P(X = 1) = 8

3
fX (2) = P(X = 2) = 8

fX (3) = P(X = 3) = 18
d) Encuentra la media y la varianza de X.
X = E(X) = fX (0) 0 + fX (1) 1 + fX (2) 2 + fX (3) 3 = 1.5

2X = Var(X) = (0 1.5)2 fX (0) + (1 1.5)2 fX (1) + (2 1.5)2 fX (2)


+(3 1.5)2 fX (3) = 0.75
Una forma de interpretar la media es la siguiente: se espera que el nmero de
nios en tres nacimientos sea de 1.5.


1.3 distribucin de bernoulli

Es frecuente que en diferentes procesos se den variables del tipo se acepta, se recha-
za. Por ejemplo, un artculo cumple con las especificaciones o no, un foco prende o no,
una pieza resiste cierta fuerza o no. Un experimento donde los posibles resultados de
cada ensayo son xito o fracaso se conoce como un experimento o ensayo de Bernoulli.
Cualquier variable aleatoria X cuyos nicos valores posibles son 0 y 1, xito o fracaso,
se llama variable aleatoria de Bernoulli.
La distribucin de probabilidad para una variable aleatoria de Bernoulli est dada por:



si x = 1
p,
fX (x) = 1 p, si x = 0 (6)


0, en otro caso

Donde p representa la probabilidad de xito y 1 p la probabilidad de fracaso.


Si X es una variable aleatoria de Bernoulli su media es igual a la probabilidad de un
xito.

X = E(X) = p (7)

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 7
semana 5

Por otro lado, su varianza es igual a la probabilidad de un xito multiplicada por la


probabilidad de un fracaso.

2X = Var(X) = p(1 p) = pq (8)

 Ejemplo 1.11 Considera el experimento de lanzar una moneda. Aplica la distribucin


de Bernoulli para describirlo.
Para este caso se puede definir guila = xito, con lo cual se tendr:
P(xito) = 0.5
P(Fracaso) = 0.5
X = E(X) = 0.5
Var(X) = (0.5)(0.5) = 0.25


 Ejemplo 1.12 Considera que el 80 por ciento de las familias de una ciudad son pro-

pietarias de sus hogares. Sea X la variable aleatoria que toma el valor de 1 cuando una
familia elegida al azar en la ciudad es propietaria y 0 cuando no lo es. Encuentra la
media y la varianza de X.
Si se define como xito a elegir una familia propietaria de su casa se tendr:
p = 0.80
q = 1 p = 1 0.80 = 0.20
X = p = 0.80
2X = (0.80)(0.20) = 0.16

1.4 distribucin discreta uniforme

Una variable aleatoria discreta es uniforme si cada uno de sus posibles valores tiene
la misma probabilidad. Si X es una variable aleatoria discreta uniforme con posibles
valores x1 , x2 , x3 , ..., xn , entonces su distribucin de probabilidad est dada por:
1
fX (xi ) = para toda i = 1, 2, 3, ..., n (9)
n
Mientras que su media y varianza se pueden calcular de la siguiente forma:

P
n
xi
i=1
X = E(x) = (10)
n

P
n
(xi )2
i=1
Var(X) = 2X = (11)
n
 Ejemplo 1.13 Considera que la variable aleatoria X tiene una distribucin discreta
uniforme en los enteros 0 6 x 6 100.
a) Determina la distribucin de probabilidad de X.
1
fX (x) = 101 = 0.0099
Por lo tanto:
fX (0) = fX (1) = fX (2) =, ..., = fX (100) = 0.0099.

8 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
1.4 distribucin discreta uniforme

b) Determina el valor de la media de X.


X = E(x) = 0+1+2+...+99+100
101 = 50
c) Determina la varianza de X.
2 2 2 +(10050)2
Var(X) = 2X = (050) +(150) +...+(9950)
101 = 850.0


 Ejemplo 1.14 Considera el lanzamiento de un dado, si se define a la variable aleatoria


X igual al nmero obtenido, entonces X puede tomar los valores 1, 2, 3, 4, 5 y 6, cada
uno de ellos con la misma probabilidad.
Determina el valor esperado y la varianza de X.
X = E(x) = 1+2+3+4+5+6
6 = 21
6 = 3.5
(3.51)2 +(3.52)2 +...+(3.56)2 17,5
Var(X) = 2X = 6 = 6 = 2.917 

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 9
SEMANA 6
2
2.1 distribucin binomial

Un experimento binomial es un experimento aleatorio que consta de n ensayos Ber-


noulli tales que:
a) Tiene dos diferentes resultados posibles: xito y fracaso.
b) Los ensayos son independientes; en otras palabras, la probabilidad de xito en cada
ensayo, p, permanece constante.
c) La variable aleatoria de inters, X, corresponde al nmero de xitos en un total de
n ensayos.
Cabe recordar que el hecho de que los ensayos sean independientes se puede traducir
en que el resultado de cierto ensayo no afecta la probabilidad de xito de los ensayos
posteriores. Asimismo, como los posibles resultados, xito o fracaso, son complementa-
rios, la probabilidad de fracaso ser 1 p.
Si es una variable aleatoria con una distribucin binomial con parmetros (n, p), enton-
ces su funcin de distribucin dada por:
 
n x
fX (x) = p (1 p)nx , x = 0, 1, 2, ... (12)
x

Donde n n!

x = x!(nx)! es el nmero de combinaciones de elementos tomados de x en
x.
Es importante tener en cuenta que los trminos xito y fracaso slo son etiquetas, aun-
que pueden ser engaosas; por ejemplo si X es el nmero de piezas defectuosas, enton-
ces la produccin de una pieza defectuosa ser llamada un xito.
Si X es una variable aleatoria con distribucin binomial (n, p), su media y varianza
estn dadas por:

X = E(X) = np (13)

2X = Var(X) = np(1 p) (14)

Para comprender el valor de la media considera que se realizan 10 lanzamientos de


una moneda legal, cuntas veces se espera en promedio obtener guila? La intuicin
dicta contestar: cinco veces.
Como solamente se pueden observar guila o sol en el lanzamiento de una moneda y la
probabilidad de cada uno de estos resultados permanece constante de un lanzamiento
a otro, el nmero de guilas obtenidas en 10 lanzamientos puede ser modelado con
una distribucin binomial. Las cinco veces que se esperan obtener guila, corresponde
simplemente a la multiplicacin (np) con n = 10 y p = 0.50, que es la media de la
distribucin binomial.
 Ejemplo 2.1 Se producen aparatos y se sabe que el 5 por ciento son defectuosos. Sea
X = nmero de aparatos defectuosos en una muestra de tamao n = 25.

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 11
semana 6

a) Determina la probabilidad de que a lo sumo 2 aparatos sean defectuosos en la


muestra.
P(X 6 2) = P(X = 0) + P(X = 1) + P(X = 2) = 25 0 250

0 (0.05) (1 0.05)
+ 25 1 251 + 25 (0.05)2 (1 0.05)252
 
1 (0.05) (1 0.05) 2
= 0.277389573 + 0.36498628 + 0.230517651
= 0.8728935
b) Determina la probabilidad de que al menos 5 aparatos de la muestra sean defectuo-
sos.
P(X > 5) = 1 P(X 6 4) = 1 0.992835 = 0.00716
c) Calcula el valor esperado y la desviacin estndar de X.
X = E(X) = 25 0.05 = 1.25
p
X = (25 0.05(1 0.05)) = 1.1875 = 1.0897


 Ejemplo 2.2 La probabilidad de que cada muestra de aire contenga una molcula par-
ticular es del 10 por ciento. Suponga que las muestras son independientes con respecto
a la presencia de la molcula.
a) Encuentra la probabilidad de que entre las 18 muestras tomadas hace una hora,
exactamente dos contengan la molcula rara.
Lo primero que se debe hacer es definir la variable aleatoria que se utilizar:
Sea X = nmero de muestras que contienen la molcula rara.
De esta forma la probabilidad de xito es p = 0.1.
Ahora ya es posible responder a la pregunta inicial:
18
P(x = 2) = 2 (0.1) (0.9)182 = 0.2835121
2


b) Cul es la probabilidad de que al menos cuatro muestras contengan la molcula


rara?
Observa que una opcin es hacer el siguiente clculo:
X18  
18
P(x > 4) = (0.1)x (0.9)18x
x
x=4
Pero requiere demasiadas operaciones, por lo cual resulta ms sencillo emplear
el complemento de la siguiente manera:
P(x > 4) = 1 P(x < 4)
X3  
18
= 1 (0.1)x (0.9)18x =
x
x=0
= 1 [0.1500946 + 0.300189271 + 0.2835121 + 0.1680072]
= 0.098196841
c) Cul es la probabilidad de que entre 3 y 7 muestras contenga la molcula?
X 7  
18
P(3 6 x 6 7) = (0.1)x (0.9)18x
x
x=3
= 0.1680072 + 0.070003 + 0.0217787 + 0.005243 + 0.0009987
= 0.266030548


 Ejemplo 2.3 La probabilidad de que un estudiante participe en una encuesta es 0.4.


Considera que la encuesta se le realizar a dos estudiantes cuyas decisiones de contestar
son independientes. Por medio de la frmula para la distribucin binomial construye

12 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
2.1 distribucin binomial

la distribucin de probabilidad del nmero de personas que participarn.


Primero se define a la variable aleatoria como:
X = nmero de estudiantes que participan en la encuesta.
De esta forma se tiene:
p = 0.4 ; 1 p = 1 0.4 = 0.6 ; n = 2 ; x = 0, 1, 2.

x P(X = x)
2
(0.4)0 (0.6)20 = 0.36

0 P(0) = 0

2
(0.4)1 (0.6)21 = 0.48

1 P(1) = 1

2
(0.4)2 (0.6)22 = 0.16

2 P(0) = 2

Por lo tanto se tienen las siguientes probabilidades:


La probabilidad de que nadie participe es 0.36.
La probabilidad de que uno participe es 0.48.
La probabilidad de que dos participen es 0.16.


 Ejemplo 2.4 Juan compr una caja con 30 copas que utilizar en una cena familiar. Sa-
be por experiencia que el 5 % de las piezas pueden ser inservibles por estar fracturadas
o astilladas.
a) Determina la probabilidad de que las 30 copas sean inservibles.
En este ejemplo las copas tienen dos opciones: buen estado o mal estado. El
nmero de repeticiones es 30 y la probabilidad de que una copa est en mal
estado es fija, 5 %. Por lo tanto, se adapta a una distribucin binomial.
xito = Copa fracturada o astillada; p = 0.05; n = 30.
Entonces, la respuesta a la pregunta se obtiene de la siguiente forma.
30
P(X = 30) = 30 (0.05) (1 0.05)3030 = 9.31323E 40
30


b) Determina la probabilidad de que las 30 copas estn en buenas condiciones.


En este caso sebusca que el nmero de xitos sea cero.
P(X = 0) = 30 0
0 (0.05) (1 0.05)
300 = 0.214639

A partir de ahora considera que Juan slo requerir de 25 copas para la cena
familiar.
c) Determina la probabilidad de que las 30 copas compradas sean suficientes para
cubrir los requisitos de la cena.
Se requieren 25 copas en buen estado, lo cual es equivalente a 5 o menos copas
inservibles, por lo tanto la respuesta se obtiene de la siguiente manera.
P(X 6 5) = P(X = 0) + P(X = 1) + P(X = 2) + P(X = 3) + P(X = 4) + P(X = 5)
= 0.214639 + 0.3389033 + 0.2586367 + 0.1270496 + 0.0451360 + 0.0123530
= 0.9967175
d) Determina la probabilidad de las copas compradas cubran de forma exacta los re-
querimientos de la cena.
Ahora se requiere
 que5 el nmero305
de copas inservibles sea exactamente 5.
30
P(X = 5) = 5 (0.05) (1 0.05) = 0.0123530

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 13
semana 6

e) Determina la probabilidad de que hagan falta copas para cubrir los requerimientos
de la cena.
Para este caso se debe determinar la probabilidad de que el nmero de copas en
buen estado sea menor a 25, esto implica que las copas inservibles deben ser 6 o
ms.
P(X > 6) = P(X = 6) + P(X = 7) + ... + P(X = 29) + P(X = 30)
= 1 P(X 6 5)
= 1 0.9967175
= 0.00328
f) Cuntas copas inservibles espera encontrar Juan en la caja que compr?
X = (0.05)(30) = 1.5


2.2 distribucin geomtrica

En algunas ocasiones resulta importante conocer el nmero de ensayos hasta obtener


el primer xito. En este caso, la variable aleatoria X sigue una distribucin geomtrica
si es un experimento aleatorio que consta de n ensayos Bernoulli, tales que:
a) Los diferentes resultados posibles: xito y fracaso.
b) Los ensayos son independientes, o la probabilidad de xito en cada ensayo, p, per-
manece constante.
c) La variable aleatoria de inters, X, corresponde al nmero ensayos que se deben
realizar para obtener el primer xito.
La distribucin de probabilidad de la variable aleatoria geomtrica con parmetro p
est dada por:

fX (x) = (1 p)x1 p, x = 1, 2, ... (15)

Si X es una variable aleatoria con distribucin geomtrica con parmetro p, entonces


su media y varianza son:
1
X = E(X) = (16)
p
y

(1 p)
2X = Var(X) = (17)
p2
Nuevamente resulta sencillo entender el valor de la media X , si se considera el
lanzamiento de una moneda. En este caso se quiere saber cuntas veces se espera que
deba lanzarse antes de obtener la primera guila. Como cada cara de la moneda tiene la
misma probabilidad, entonces se espera tener que lanzar la moneda en promedio dos
veces antes de obtener la primer guila, que corresponde exactamente a p1 = 0.5
1
= 2.

 Ejemplo 2.5 En una zona de Veracruz, la probabilidad de que una tormenta fuerte
ocurra en un da cualquiera durante el invierno entre enero y febrero es igual a 0.1.
Considerando que el clima de un da es independiente de cualquier otro. Cul es la
probabilidad de que la primera tormenta ocurra el 3 de febrero?
Consideremos que el mes de enero cuenta con 31 das. Por consiguiente si X es el

14 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
2.3 distribucin binomial negativa

nmero de das transcurridos sin tormenta empezando el 1 de enero hasta el 3 de


febrero se tiene que han pasado 33 das sin xito (se espera que en el da 34 si llueva).
Por lo tanto nos estn pidiendo la siguiente probabilidad:
P(X = 33) = fX (33) = (0.9)331 (0.1) = 0.003433684 

 Ejemplo 2.6 En un entrenamiento de bsquetbol, un jugador se dispone a ejecutar


tiros libres hasta anotar una canasta, supongamos que los tiros son independientes y
que su probabilidad constante de anotar cada canasta es de 0.8. Considere la variable
aleatoria X igual al nmero de tiros que efecta hasta anotar una canasta.
Determina:
a) Cul es la probabilidad de que necesite al menos 4 tiros para anotar una canasta?
P(x > 4) = 1 [P(x = 1) + P(x = 2) + P(x = 3)] = 0.008.
b) Cul es la probabilidad de que necesite a lo sumo 5 tiros para anotar?
P(x 6 5) = P(x = 1) + P(x = 2) + P(x = 3) + P(x = 4) + P(x = 5) = 0.99968.
c) En general, cuntos tiros debe realizar para lograr su primera anotacin?
1
X = E(X) = 0.8 = 1.25
d) Qu tan dispersos estn los
q valores alrededor de la media?
q
q
q
0.2 0.2

X = p2 = (0.8) 2 = 0.64 = 0.3125 = 0.559


2.3 distribucin binomial negativa

La distribucin binomial negativa es una generalizacin de la distribucin geomtri-


ca, solo que en este caso se repiten tantos ensayos de Bernoulli como sean necesarios
para obtener r xitos.
Por lo tanto, si un experimento consiste en una serie de ensayos de Bernoulli indepen-
dientes, con una probabilidad de xito constante p, donde la variable aleatoria X denota
el nmero de ensayos hasta que obtener r xitos. Entonces X tiene una distribucin bi-
nomial negativa con parmetros p. Bajo estas condiciones la variable aleatoria tendr
una distribucin de probabilidad dada por:
 
x1
f(x) = (1 p)xr pr , x = r, r + 1, r + 2, ... (18)
r1

Observe que el rango de X es de r a +.


Cuando r = 1, la distribucin binomial negativa coincide con una distribucin geom-
trica.
Una variable aleatoria binomial negativa se puede interpretar tambin como la suma
de r variables aleatorias geomtricas: X = X1 + X2 + ... + Xr (donde Xi es una varia-
ble aleatoria geomtrica que representa el nmero de ensayos requeridos para obtener
un xito despus del intento i1). Por lo tanto, si X es una variable aleatoria binomial
negativa de parmetros p y r, entonces la media y varianza estarn dadas por:
r
X = E(X) = (19)
p
y

r(1 p)
2X = Var(X) = (20)
p2

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 15
semana 6

 Ejemplo 2.7 Suponga que un dispositivo transmite bits con una probabilidad p = 0.1

de transmitir un bit errneo. Para garantizar la calidad de la informacin, se debe


detener la transmisin en el momento que se detecten 4 bits errneos.
a) Determina la probabilidad de que la transmisin se detenga al transmitir el dcimo
bit.

En este caso la variable aleatoria es X = nmero de bits transmitidos hasta obtener


4 errores. Por lo tanto, se debe determinar
P(X = 10) = 101 0.1)104 0.14 = 0.0044641

41 (1
b) Determina el nmero promedio de bits que sern trasmitidos hasta detener la trans-
misin.
X = E(X) = pr = 0.1 4
= 40


 Ejemplo 2.8 Si la probabilidad de que un futbolista anote un gol cada vez que realiza
un tiro a la portera es 0.40.
a) Determina la probabilidad
 3 de que103
deba realizar 10 tiros para anotar tres goles.
101
P(X = 10) = 31 0.4 (1 0.4) = 0.0644973
b) Cuntos tiros se espera que realice para poder anotar tres goles.
= E(X) = pr = 0.43
= 7.5


16 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
SEMANA 7
3
3.1 distribucin hipergeomtrica

En algunos ensayos de Bernoulli la probabilidad de xito p no se mantiene constante.


Esto ocurre cuando la poblacin por analizar consiste de N individuos (una pobla-
cin finita) y se elige una muestra aleatoria sin reemplazo de tamao n, n 6 N, lo
cual ocurre tpicamente al elegir una muestra de n elementos en un lote que contiene
N elementos. La variable aleatoria X sigue una distribucin hipergeomtrica si es un
experimento aleatorio que consta de n ensayos Bernoulli, tales que:
a) Se tienen dos diferentes resultados posibles: xito y fracaso.
b) Los ensayos no son independientes; en otras palabras, la probabilidad de xito en
cada ensayo p no permanece constante.
c) La variable aleatoria X de inters denota el nmero de xitos en la muestra.
Es importante notar las semejanzas entre las condiciones que caracterizan a la dis-
tribucin binomial y a la distribucin hipergeomtrica. Observa que en ambos casos
cada ensayo puede tener un xito o un fracaso, y la variable aleatoria de inters es el
nmero de xitos en una muestra. En realidad, la nica diferencia la marca el hecho
de que la probabilidad de xito permanece constante en el caso de la distribucin bino-
mial, mientras que en la distribucin hipergeomtrica esta probabilidad se ve afectada
debido a que la muestra se toma sin reemplazo.
Para aclarar porque la probabilidad de xito vara cuando se realiza un experimento
sin reemplazo, considera que en una tmbola se introducen 50 bolas blancas y 50 bolas
negras. En este momento la probabilidad de sacar una bola blanca es:
50
P(Blanca) = 100 = 0.50
Sin embargo, en el momento en que se saca una bola y no es reemplazada por otra bola
del mismo color, la probabilidad se modifica. Considera que se sac una bola blanca,
entonces ahora son 50 bolas negras y 49 bolas blancas. Por lo tanto la probabilidad de
sacar una bola blanca es:
49
P(Blanca) = 99 = 0.4949
Observa que la probabilidad disminuy, lo cual es lgico porque se tenan menos bolas
blancas que negras.
Aplicando la probabilidad clsica, que calcula la probabilidad dividiendo el nmero de
resultados en donde se observa el evento de inters entre el nmero total de resultados,
se encuentra la probabilidad de tener x xitos y n x fracasos en cualquier orden
posible, cuando se extraen n elementos del lote de N:
k Nk
 
x nx
fX (x) = N
 , donde mx {0, n N + k} 6 x 6 min {n, k} (21)
n
Si X es una variable aleatoria con distribucin hipergeomtrica con parmetros N, k
y n, entonces su media y varianza son:

k
X = E(X) = n = np (22)
N

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 17
semana 7

Nn
2X = Var(X) = np(1 p)( ) (23)
N1
k
Donde p = N corresponde a la probabilidad inicial de xitos.
Observa que el valor de la probabilidad de xito p, se deduce del hecho de que inicial-
mente se cuenta con una poblacin de tamao N, en la cual hay k individuos catalo-
k
gados como xito. Por lo tanto, la probabilidad de elegir a uno de estos individuos es N .

 Ejemplo 3.1 En una empresa industrial cada da se producen 250 piezas. Por experien-
cia se sabe que en promedio se obtendrn 50 piezas defectuosas. Si se eligen de forma
aleatoria y sin reemplazo 5 piezas de la produccin de un da.
a) Cul es la probabilidad de que las 5 piezas sean defectuosas?
Sea X el nmero de piezas defectuosas en la muestra. Entonces X tiene una dis-
tribucin hipergeomtrica con parmetros N = 250, k = 50, n = 5, y se pide la
probabilidad P(X = 5).
Entonces
(50)(25050)
P(X = 5) = 5 25055 = 0.00027
(5)

b) Cul es la probabilidad de que 3 o ms piezas de la muestra sean defectuosas?


P(X > 3) = P(X = 3) + P(X = 4) + P(X = 5)
(50)(25050) (50)(25050) (50)(25050)
= 3 25053 + 4 25054 + 5 25055
(5) (5) (5)
= 0.04989 + 0.00589 + 0.00027
= 0.05605.


 Ejemplo 3.2 Unas tarjetas de circuitos impresas se someten a pruebas de funciona-

miento despus de instalar en ellas chips semiconductores. Un lote contiene 140 tarjetas,
y se seleccionan 20 sin remplazo para las pruebas de funcionamiento.
a) Si hay 15 tarjetas defectuosas, Cul es la probabilidad de que al menos una de las
tarjetas defectuosas est en la muestra?
(15)(14015
200 )
P(x > 1) = 1 P(x = 0) = 1 0 140 = 1 0.0865117 = 0.9134883
( 20 )
b) Si hay cinco tarjetas defectuosas, Cul es la probabilidad de que al menos una de
las tarjetas defectuosas aparezca en la muestra?
(5)(135)
P(x > 1) = 1 P(x = 0) = 1 0 14020 = 0.54294057
( 20 )
c) Si hay 10 tarjetas defectuosas, cuntas tarjetas defectuosas se esperan encontrar en
la muestra?
k 10
X = E(X) = n( N ) = 20( 140 ) = 1.4285714

En una mesa se colocaron 15 tazas de caf, de las cuales slo 7 fueron endulzadas.
a) Si se eligen 2 tazas al azar, cul es la probabilidad de que ambas tenga azcar?
En este caso se tiene una poblacin de 15 tazas, de las cuales 7 pueden conside-
rarse como xito, tienen azcar. Adems, las probabilidades de xito se modifican
cada vez que se toma una taza, por lo tanto es conveniente emplear una distribu-
cin hipergeomtrica con los siguientes parmetros.

18 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
3.1 distribucin hipergeomtrica

N = 15; k = 7; n = 2.
La pregunta inicial se resuelve de la siguiente manera.
(7)(157)
P(X = 2) = 2 1522 = 0.2
(2)

b) Si se eligen 3 tazas al azar, cul es la probabilidad de que a lo sumo 2 tengan


azcar?
En este caso se modifica el tamao de la muestra, n = 3.
P(X 6 2) = P(X = 0) + P(X = 1) + P(X = 2)
(7)(157) (7)(157) (7)(157)
= 0 1530 + 1 1531 + 2 1532
(3) (3) (3)
= 0.1230769 + 0.4307692 + 0.3692308
= 0.9230769
A partir de ahora considera que un mesero tom 9 tazas al mismo tiempo.

c) Determina la probabilidad de que el mesero lleve al menos 3 tazas sin azcar.


Al menos 3 tazas sin azcar implican a lo sumo 6 tazas con azcar, por lo tanto
la probabilidad buscada se obtiene de la siguiente forma.
Nuevamente debe cambiarse el tamao de la muestra n = 9.
P(X 6 6) = P(X = 1) + P(X = 2) + P(X = 3) + P(X = 4) + P(X = 5) + P(X = 6)
= 0.0013986 + 0.0335664 + 0.1958042 + 0.3916084 + 0.2937063 + 0.0783217
= 0.9944056
Observa que en este caso no se incluy la probabilidad P(X = 0) porque el rango
de la variable aleatoria X no incluye esta posibilidad.
d) Determina la probabilidad de que el mesero haya tomado todas las tazas con azcar
o bien todas las tazas sin azcar.
La probabilidad de tomar todas las tazas con azcar est dada por P(X = 7).
Por otro lado, la probabilidad de tomar todas las tazas sin azcar est dada por
P(X = 1). Observa que las tazas sin azcar son 8, por lo tanto en la muestra
tomada por el mesero slo habr 1 taza con azcar.
Finalmente, la probabilidad buscada es:
P(X = 1) + P(X = 7) = 0.001398601 + 0.005594406 = 0.006993007
e) Cul es la probabilidad de que la cantidad de tazas con azcar seleccionadas por
el mesero est dentro de la desviacin estndar del valor promedio?
Para este caso, la media y la desviacin estdar son:
X = 4.2 y X = 1.68.
Por lo tanto, una desviacin estndar alrededor de la media est dada por el
intervalo:
[4.2 1.68, 4.2 + 1.68] = [2.52, 5.88]
Los valores de la variable aleatoria X que caen en este intervalo son: 3, 4, 5.
Finalmente, la probabilidad buscada es:
P(3 6 X 6 5) = P(X = 3) + P(X = 4) + P(X = 5)
= 0.1958042 + 0.3916084 + 0.2937063
= 0.8811189

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 19
semana 7

3.2 distribucin de poisson

Si todos los resultados de un experimento se producen de manera aleatoria dentro


de un intervalo de nmeros reales, y si el intervalo se puede dividir en subintervalos
de longitud suficientemente pequea, de tal forma que:
a) La probabilidad de que ocurra ms de un evento en un subintervalo es cero.
b) La probabilidad de que ocurra un evento en un subintervalo es la misma para todos
los subintervalos y proporcional a su longitud.
c) La ocurrencia de un evento en cada subintervalo es independiente de otros subin-
tervalos.
Se dice que el experimento es un proceso de Poisson.
Si X representa el nmero de eventos aleatorios ocurridos en el intervalo, entonces X
tiene una distribucin de Poisson dada por:

e x
fX (x) = , x = 0, 1, 2, ... (24)
x!
Donde e = 2.718 y es el nmero esperado de eventos en el intervalo.
Por ejemplo es frecuente que el nmero de variaciones de voltaje por hora, el nmero
de defectos por rollo de tela, el nmero de partculas contaminantes en un lquido, etc.,
se analicen como variables con una distribucin de Poisson.
Si X es una variable aleatoria con distribucin de Poisson con parmetro entonces su
media y varianza son:

X = E(X) = (25)

2X = Var(X) = (26)

 Ejemplo 3.3 Suponga que en una carretera estatal hay en promedio 3.5 baches cada 5
kilmetros. Sea X la cantidad de baches que se observan en esta distancia. Si el nmero
de baches sigue una distribucin de Poisson con = 3.5.
a) Cul es la probabilidad de encontrar exactamente 4 baches en un recorrido de 5
kilmetros?
Esto se obtiene con:
3.5 (3.5)4
P(X = 4) = e 4! = 0.1888
b) Determina la probabilidad de encontrar a lo sumo 4 baches es:
X 4
P(X 6 4) = P(X = x)
x=0
(3.5)2 (3.5)3 (3.5)4
= e3.5 [1 + 3.5 + 2! + 3! + 4! ]
= 0.7254


Uno de los errores ms comunes al utilizar la distribucin de Poisson proviene del


uso incorrecto del factor . En el ejemplo anterior, se consider = 3.5, lo cual se
interpreta como 3.5 baches cada 5 kilmetros. Este valor de result adecuado para
determinar la probabilidad de encontrar 4 baches en un recorrido de 5 kilmetros, pero
si se modifica el tamao del recorrido tambin debe modificarse el valor de .

20 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
3.2 distribucin de poisson

 Ejemplo 3.4 Utilizando la misma informacin que en el ejemplo anterior resuelve las
siguientes preguntas.
a) Determina la probabilidad de encontrar exactamente 4 baches en un recorrido de
10 kilmetros.
Nuevamente se pide determinar P(X = 4), pero en este caso sera un error utilizar
= 3.5. Para resolver este ejemplo es necesario determinar el nmero de baches
esperados en 10 kilmetros. Se sabe que se esperan 3.5 baches en 5 kilmetros,
por lo tanto en 10 kilmetros se esperan 7 baches (el doble). De esta forma la
probabilidad buscada es:
7 4
P(X = 4) = e 4!(7) = 0.09122
b) Determina la probabilidad de encontrar exactamente 4 baches en un recorrido de 2
kilmetros.
Nuevamente, se debe establecer el valor de , en este caso para 2 kilmetros. Co-
mo = 3.5 para 5 kilmetros, entonces = (3.5)( 52 ) = 1.4 baches en 2 kilmetros.
Por lo tanto:
1.4 (1.4)4
P(X = 4) = e 4! = 0.03947
Es importante recordar que una de las caractersticas de un proceso de Poisson es
que la probabilidad de que ocurra un evento en un subintervalo es proporcional a
su longitud, por lo tanto resulta coherente que las probabilidades calculadas en cada
ejemplo sean diferentes, ya que el tamao del recorrido fue modificado.


Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 21
SEMANA 8
4
4.1 autoevaluacin 2

Utiliza los siguientes ejercicios para evaluar tu nivel de comprensin del material
estudiado. Entre los corchetes se encuentra la respuesta correcta de cada pregunta.
1. Una marca de perfume tiene dos tamaos de presentacin: pequeo y mediano.
Treinta y cinco por ciento de todos los clientes de cierta tienda buscan el tamao
pequeo.
a) Entre 12 clientes seleccionados al azar, cul es la probabilidad de que por lo
menos 3 busquen el tamao pequeo? = {0.8487}
b) Entre 12 clientes seleccionados al azar, cul es la probabilidad de que exacta-
mente 3 busquen el tamao pequeo? = {0.1954}
2. Un lote de 55 jugos enlatados contiene seis en los que el contenido est por abajo
del lmite permitidos. Se seleccionan al azar una muestra de 10 latas para ser
enviadas y analizadas por control de calidad.
a) Cul es la probabilidad de que a lo sumo uno de los jugos inaceptables est
en la muestra? = {0.7024}
b) Cul es la probabilidad de que ninguno de los jugos inaceptables est en la
muestra? = {0.28096}
3. El nmero de imperfecciones superficiales en el material utilizado para construir
la puerta de cierto tipo de refrigeradores tiene una distribucin de Poisson con
una media de 0.04 imperfecciones por metro cuadrado.
a) Suponga que cada puerta requiere de 4 metros cuadrados de dicho material.
Cul es la probabilidad de que no haya imperfecciones superficiales en la
puerta de un refrigerador? = {0.8521}
b) Por solicitud de una fbrica de helados se construir una puerta de 150 metros
cuadrados, cuntas imperfecciones esperara encontrar? = {6}
4. Suponga que la probabilidad de que un arquero le atine al centro de la diana es
p = 0.5.
a) Cierto da establece que continuar practicando hasta atinar dos veces en el
centro. Cul es la probabilidad de que tenga que realizar a lo ms cinco
disparos? = {0.8125}
b) Cuntos disparos espera hacer antes de poder detener el entrenamiento?
= {4}
5. Un examen de opcin mltiple contiene 25 preguntas, cada una con cuatro res-
puestas. Suponga que un estudiante slo adivina las respuestas.
a) Cul es la probabilidad de que el estudiante conteste de manera correcta
menos de cuatro preguntas? = {0.09621}
b) Qu calificacin se espera que obtenga un estudiante tomado al azar? = {6.25
respuestas correctas, 2.5 de calificacin }
6. Las tarjetas de circuito impreso se envan a una prueba de funcionamiento des-
pus de haber montado en ellas todos los chips. Un lote contiene 140 tarjetas y se
toman 20 tarjetas diferentes para hacerles la prueba de funcionamiento.

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 23
semana 8

a) Si 20 tarjetas estn defectuosas, cul es la probabilidad de que al menos una


de ellas se encuentre en la muestra? = {0.96438}
b) Si 5 tarjetas estn defectuosas, cul es la probabilidad de que a lo ms una
de ellas aparezca en la muestra? = {0.851076}
7. El nmero de fallas de un instrumento de prueba de partculas de contaminacin
en un producto es una variable aleatoria de Poisson con una media de 0.02 fallas
por hora.
a) Cul es la probabilidad de que el instrumento no falle en una corrida de 8
horas? = {0.8521}
b) Cul es la probabilidad de al menos una falla en un da de 24 horas? =
{0.381216}

24 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
ANEXOS
A
a.1 tabla de ecuaciones

Semana 5

fX (xi ) = P(X = xi )
Variable aleatoria X
n
X = E(X) = xi fX (xi )
discreta i=1
X
n
2X = (x X )2 fX (x) = E(X2 ) 2X
i=1

si x = 1
p,
fX (x) = 1 p, si x = 0


Distribucin de Bernoulli 0, en otro caso 6
X = E(X) = p
2X = Var(X) = p(1 p) = pq

1
fX (xi ) = n para toda i = 1, 2, 3, ..., n
P
n
Distribucin uniforme xi 9
i=1
X = E(x) = n
P
n
(xi )2
Var(X) = 2X = i=1
n

Semana 6

n
 x
fX (x) = x p (1 p)nx , x = 0, 1, 2, ...
Bistribucin binomial 12
X = E(X) = np
2X = Var(X) = np(1 p)

fX (x) = (1 p)x1 p, x = 1, 2, ...


Distribucin geomtrica 1
15
X = E(X) = p
(1p)
2X = Var(X) = p2

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 25
anexos

x1
(1 p)xr pr , x = r, r + 1, r + 2, ...

Distribucin binomial f(x) = r1
r
18
negativa X = E(X) = p
r(1p)
2X = Var(X) = p2

Semana 7

(kx)(Nk
nx )
fX (x) = , donde mx {0, n N + k} 6 x 6 min {n, k}
Distribucin (Nn)
X = E(X) = n N k
= np 21
hipergeomtrica
2X = Var(X) = np(1 p)( Nn
N1 )
k
p= N

e x
Distribucin de Poisson
fX (x) = x! , x = 0, 1, 2, ...
24
X = E(X) =
2X = Var(X) =

Rb
Variable aleatoria P(a 6 X 6 b) = a fX (x)dx
R
continua X = E(X) = xfX (x)dx
R
2X = Var(X) = (x )2 fX (x)dx

26 Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved.
BIBLIOGRAFA RECOMENDADA
B
1. Grabinsky J., Gua SAI de probabilidad y estadstica. Tronco general. Universi-
dad Autnoma Metropolitana. Disponible en:
http://espartaco.azc.uam.mx/UAM/217523/217523.html.

2. Rivera B. J., Probabilidad condicional. Universidad Autnoma Metropolitana.


Disponible en:
http://espartaco.azc.uam.mx/UAM/217423/217423.html.

3. Grabinsky J., Ramrez R. J., Rivera B. J., Alonso J., Lpez B. R., Problemas de pro-
babilidad y estadstica. Universidad Autnoma Metropolitana. Disponible en:
http://espartaco.azc.uam.mx/UAM/101416/101416.html.

4. Ramrez R. J., Rivera B. J., Taller de probabilidad y estadstica. Espacio muestra


y eventos. Universidad Autnoma Metropolitana. Disponible en:
http://espartaco.azc.uam.mx/UAM/217404/217404.html.

5. Lpez B. R., Taller de probabilidad y estadstica. Tcnicas de conteo y probabili-


dad. Universidad Autnoma Metropolitana. Disponible en:
http://espartaco.azc.uam.mx/UAM/223512/223512.html.

6. Gutirrez A. M. A., Variables aleatorias. Universidad Autnoma Metropolitana.


Disponible en:
http://espartaco.azc.uam.mx/UAM/223498/223498.html.

7. Meyer, Paul L., Introductory Probability and Statistical Applications", Ed.Addison


Wesley, 1965.

8. Walpole R. E. y Myers R. H., Probabilidad y Estadstica", Ed. Mc Graw Hill,1992.

9. Devore J.L., Probabilidad y Estadstica para Ingeniera y Ciencias", Ed. Int.Thompson


Editores, Mxico, 1998.

10. Montgomery D. C. y Runger G. C., Probabilidad y Estadstica Aplicada a laInge-


niera", Mc Graw Hill, 1996.

Copyright 2010
c Roman Anselmo Mora Gutirrez & Antonin Ponsich & Eric Alfredo Rincn Garca. All rights reserved. 27