Está en la página 1de 131

Probabilidad y Estadística

VARIABLES ALEATORIAS

Un campo de la estadística se dedica a la realización de inferencias acerca de las


poblaciones y sus características. Los resultados de los experimentos que se
llevan a cabo están sujetos a la casualidad.

Experimento Estadístico es el término que se utiliza para describir cualquier


proceso mediante el cual se generan varias observaciones al azar. Con
frecuencia es muy importante asignarle al resultado una descripción numérica. El
conjunto formado por los diferentes resultados del experimento se le denomina
Espacio Muestral.

Los experimentos aleatorios originan resultados y estos resultados nos permiten


tomar decisiones. Los diferentes resultados se les llama sucesos, eventos o
puntos muestrales.

Ahora, a cada uno de los sucesos, eventos o puntos muestrales de un espacio


muestral en un experimento, se le puede asignar o asociar un valor numérico, que
son, por supuesto, cantidades aleatorias determinadas por el resultado del
experimento, los cuales no se puede predecir con anterioridad a su ejecución, y
por este motivo son llamados aleatorios.

Por lo tanto, un mismo experimento se puede llevar a cabo para tomar distintas
decisiones, pero a pesar de que el propósito sea distinto cuando se lleva a cabo
un experimento aleatorio, éste no cambia su comportamiento por el simple hecho
de que los propósitos cambien.

O sea, una cosa son los distintos resultados de un experimento (espacio muestral)
y otra son los propósitos que perseguimos cuando realizamos el experimento.

Una variable aleatoria es una variable que toma valores numéricos determinados
por el resultado de un experimento aleatorio.

Es decir, una variable aleatoria, es una función que asocia un número real a cada
elemento del espacio muestral. Y estos valores pueden considerarse como los
valores que asume la variable aleatoria.

Se utilizará una letra mayúscula, por ejemplo una X, para designar una variable
aleatoria y su correspondiente letra minúscula, x en este caso, para uno de sus
valores.

1
Probabilidad y Estadística

El papel fundamental de una Variable Aleatoria es el de señalarnos cuál es el


atributo de interés tomado en cuenta al estudiar una población objetivo dada. No
hay que confundir la variable aleatoria con sus posibles valores.

Por tanto, una variable cuyos valores numéricos quedan determinados por los
resultados de un experimento, se llama VARIABLE ALEATORIA.

Ejemplo

Los siguientes son ejemplos de VARIABLES ALEATORIAS.

 El número de caras obtenidas al lanzar 6 veces una moneda (valores: 0, 1, 2,


3, 4, 5, 6)
 El número de llamadas que recibe un conmutador en una hora determinada
 Tiempo que esperan los clientes para pagar en la caja de un supermercado
 El número de puntos que muestra la cara superior de un dado
 El número de clientes que llegan en una hora a un banco en solicitud de
servicios
 La estatura de las Personas
 El tiempo que tarda cierto medicamento en hacer efecto
 El número de accidentes en cierta vía en un tiempo dado, etc.

Las variables aleatorias pueden ser DISCRETAS O CONTINUAS:

 DISCRETAS: el conjunto de posibles valores es numerable. Suelen estar


asociadas a experimentos en que se mide el número de veces que sucede
algo.

Es decir, una VARIABLE ALEATORIA DISCRETA, es aquella que sólo puede


tomar algunos valores entre dos números determinados, su Número de
Respuestas Posibles, los cuales se hallan en un conjunto Finito de valores.

“Si el espacio muestral de un experimento aleatorio contiene un número finito


de posibilidades o una secuencia interminable con tantos elementos como
números naturales existen, se le llama ESPACIO MUESTRAL DISCRETO”.

Una variable aleatoria se llama VARIABLE ALEATORIA DISCRETA si se


puede contar su conjunto de resultados posibles.

En la práctica se consideran discretas aquellas variables para las que merece


la pena asignar probabilidades a todos los posibles sucesos elementales.

 Continuas: el conjunto de posibles valores es no numerable. Puede tomar


todos los valores de un intervalo. Son el resultado de medir.

2
Probabilidad y Estadística

“Si un espacio muestral contiene un número infinito de posibilidades igual al


número de puntos en un segmento de línea, se le llama ESPACIO
MUESTRAL CONTINUO”.

Es decir, una VARIABLE ALEATORIA CONTINUA, es aquella que sólo puede


tomar algunos valores entre dos números determinados, cuando el Número de
Resultados Posibles, pueden ser números cualquiera de un intervalo dado.

Cuando una variable aleatoria puede tomar valores en una escala continua, se le
llama VARIABLE ALEATORIA CONTÍNUA.

En la mayoría de los problemas prácticos, las VARIABLES ALEATORIAS


CONTÍNUAS representan datos medidos, tales como alturas, peso, temperaturas,
distancias o periodos de vida; mientras que las VARIABLES ALEATORIAS
DISCRETAS representan datos que se cuentan, tales como el número de
artículos defectuosos de una muestra de k artículos o el número de accidentes por
año en una vía rápida, es un determinado estado.

A. DISTRIBUCIÓN DE UNA VARIABLE ALEATORIA DISCRETA

1. FUNCIÓN DE PROBABILIDAD O FUNCIÓN DE MASA.

Sea X una variable aleatoria discreta. Su distribución viene dada por los valores
que puede tomar, x1 , x 2 , x 3 , ... , x k y las probabilidades de que aparezcan
f  x 1   p1 , f  x 2   p 2 , f  x 3   p 3 , ... , f  x k   p k . Estas cantidades f  x i   P  X  x i 
reciben el nombre de función de probabilidad o función de masa. La
representación gráfica más usual de la función de probabilidad es un diagrama de
barras no acumulativo.

3
Probabilidad y Estadística

Ejemplo

Consideremos los posibles resultados que se obtienen al lanzar un dado:

1 1/6
2 1/6
3 1/6
4 1/6
5 1/6
6 1/6

Ejemplo

Consideremos el número posible de caras que se pueden obtener cuando se


lanzan tres monedas (o lanzar tres veces una moneda). Sea X = El Número
de Caras, la variable que representa este experimento, entonces, el espacio
muestral de lanzar 3 veces una moneda será:

 = {CCC, CCS, CSC, SCC, SSC, SCS, CSS, SSS}, es decir:

RESULTADOS NÚMERO DE CARAS PROBABILIDAD


 x f  x   P X  x 
SSS 0 1/8
CSS 1 1/8
SCS 1 1/8
SSC 1 1/8
SCC 2 1/8
CSC 2 1/8
CCS 2 1/8
CCC 3 1/8

4
Probabilidad y Estadística

Entonces, sea cual sea el resultado del experimento, la variable X puede tomar
únicamente los valores x = 0, 1, 2 o 3. Así:

 Toma valor 0 cuando ocurre el suceso {SSS}


 Toma valor 1 cuando ocurre el suceso {SSC, SCS, CSS}
 Toma valor 2 cuando {CCS, CSC, SCC}
 Toma valor 3 cuando {CCC}

La función de probabilidad es:

 f  0  P  X  0  1  0.125
8
f  1  P  X  1  3  0.375

8
 f  2  P  X  2  3  0.375
8
 f  3  P  X  3  1  0.125
8

En resumen:

No. DE CARAS PROBABILIDAD


 x f  x   P X  x 
0 1/8
1 3/8
2 3/8
3 1/8

Este resumen es lo que se conoce como DISTRIBUCIÓN DE PROBABILIDAD.

La gráfica de la función de probabilidad de X es:

5
Probabilidad y Estadística

0.40

0.35

0.30

0.25

0.20

0.15

0.10
0 1 2 3

El conjunto de pares ordenados  x, f  x   es una función de probabilidad,


función masa o distribución de probabilidad ( f  x   P  X  x  ) de la variable
aleatoria discreta X si para cada resultado posible x se cumple que:

1. f  x   0
2.  f  x   1
P  a  X  b   f  a   f  a  1  ...  f  b  1  f  b 
 P  X  a   P  X  a  1  ...  P  X  b  1  P  X  b 
3. b
  P X  xi 
xi  a

Ahora, existen muchos problemas en los cuales se desea calcular la probabilidad


de que el valor observado de una variable aleatoria X sea menor o igual que algún
número real x, es decir: P  X  x 

¿Cuál será la probabilidad de que salgan máximo dos caras?

P  X  2  ?
P  X  2  P  X  0  P  X  1  P  X  2
 0,125  0,375  0,375
 0,875

¿Y la probabilidad de que el número de caras esté entre 1 y 2?

P 1  X  2  ?
P  1  X  2   P  X  1  P  X  2 
 0,375  0,375
 0, 75

6
Probabilidad y Estadística

2. FUNCIÓN DE DISTRIBUCIÓN O DE DISTRIBUCIÓN ACUMULADA

Se define F  x  como P  X  x  , la cual se llama Distribución Acumulada de la


variable aleatoria X.

La función de distribución o de probabilidad acumulada representa en cada


punto xi la probabilidad de que la variable tome un valor menor o igual que dicho
punto, es decir, F  xi   P  X  xi  .

Es decir, La Distribución Acumulada F  x  de una variable aleatoria discreta X,


cuya distribución de probabilidad es f  x  , es:

F  x   P  X  x    f  t  para    x  
tx

Ejemplo

Consideremos el ejemplo anterior: “número posible de caras que se pueden


obtener cuando se lanzan tres monedas (o lanzar tres veces una moneda).”
Sea X = El Número de Caras, la variable que representa este experimento,
entonces, el espacio muestral de lanzar 3 veces una moneda será:
 = {CCC, CCS, CSC, SCC, SSC, SCS, CSS, SSS}.

Ahora tenemos que la Función de Distribución de X es:

F  0   P  X  0   1  0.125
8
F  1  P  X  1  P  X  0   P  X  1  0,125  0.375  0,5
F  2   P  X  2   P  X  0   P  X  1  P  X  2   0,5  0.375  0,875
F  3   P  X  3   P  X  0   P  X  1  P  X  2   P  X  3   0,875  0,125  1
FUNCIÓN DE FUNCIÓN DE DISTRIBUCIÓN O
No. CARAS
PROBABILIDAD PROBABILIDAD ACUMULADA
(x) f  x   P X  x  F  x   P X  x 
0 1/8 1/8
1 3/8 4/8
2 3/8 7/8
3 1/8 8/8

La gráfica de la función de Distribución de X es:

7
Probabilidad y Estadística

1.0

0.8

0.6

0.4

0.2

0.0
0 1 2 3

Ejemplo

Consideremos el número posible de puntos que pueden aparecer cuando se


lanzan dos dados.

Sea X la variable que representa el “Número de Puntos” obtenidos al lanzar dos


dados, hallar la Distribución de Probabilidad y la Distribución Acumulada de la
variable aleatoria X.

Solución:

FUNCIÓN DE DISTRIBUCIÓN O
No. PUNTOS FUNCIÓN DE PROBABILIDAD
PROBABILIDAD ACUMULADA
 x f  x  P X  x
F  x   P X  x 
2 1/36 1/36
3 2/36 3/36
4 3/36 6/36
5 4/36 10/36
6 5/36 15/36
7 6/36 21/36
8 5/36 26/36
9 4/36 30/36
10 3/36 33/36
11 2/36 35/36
12 1/36 36/36

Interprete cada uno de los valores presentados en la tabla anterior y grafíquelos


en un plano cartesiano y calcule las siguientes probabilidades:

 La probabilidad de que el máximo puntaje obtenido sea 5


 La probabilidad de que el máximo puntaje obtenido sea 7

3. La Esperanza o Media de una Variable Aleatoria Discreta

8
Probabilidad y Estadística

La esperanza de una variable aleatoria X, escrita E(X), se conoce también como el


Valor Esperado o Media de la Distribución.

La Esperanza de una Variable Aleatoria tiene las siguientes propiedades:

a. Si a es una constante, se tiene que: E a  X   a  E X 


b. Si a y b son constantes, se tiene que: E  a X  b   a E  X   b .
Es decir, la Esperanza E  X  es también un operador lineal que hereda sus
propiedades de la sumatoria y la integral.
c. Si X e Y son dos variables aleatorias independientes se cumple que:

E X  Y   E X   EY 
d. Si X e Y son dos variables aleatorias independientes se cumple que:

E X  Y   E X   EY 

Estas cuatro propiedades se cumplen para la Distribución de Probabilidad


Discreta y para la Distribución de Probabilidad Continua.

Entonces, La Esperanza Matemática o Media de una Variable Aleatoria


Discreta se calcula de la siguiente manera:

n
μ  E X   
i 1
xi f(xi )

 x 1 f (x1 )  x 2 f (x 2 )  . . .  x n f (x n )

Ejemplo:

Sea el experimento aleatorio consistente en lanzar un dado, y la variable X


definida como “El número de puntos obtenidos”, entonces, su distribución de
probabilidad será:
f ( 1 )  P (X 1 ) 1 6
f ( 2 )  P (X  2 )  1 6
..........................................
f ( 6 )  P (X  6 )  1 6

El valor esperado de X será:

μ  E X   1 1 6  2  1 6  3  1 6  4  1 6  5  1 6  6  1 6  21 6  3.5

9
Probabilidad y Estadística

La media de una variable aleatoria puede interpretarse como el valor


esperado o medio que toma dicha variable o como el valor central de dicha
distribución.

Ejemplo

Sea X una variable aleatoria que expresa el Nº de personas que habitan en una
vivienda elegida al azar. La distribución de probabilidad de X es la siguiente:

xi 1 2 3 4 5 6 7 8ó+
f (xi ) 0,230 0,322 0,177 0,155 0,067 0,024 0,015 0,010

 Comprobar que es una distribución de probabilidad. Como todas las f (xi )


son mayores o iguales que cero y además se cumple que:
8 8
 f(xi )  P( X  x i )  0.23  0.322  0.177  . . .  0.010  1
i 1 i 1

 Hallar la probabilidad de que el nº de personas que viven en un hogar sea


menor o igual que cuatro.

F ( 4 )  P (X  4 )  P (X 1 )  P (X  2 )  P (X  3 )  P (X  4 )
 0.23  0.322  0.177  0.155
 0.884
 Calcular la probabilidad de que al menos dos personas vivan en una vivienda.

P (X  2)  P (X  2)  P (X  3)  ...  P (X  8)
 1  P (X  2)
 1  0.23
 0.77
 Obtener el nº medio de personas que habitan en una vivienda.

μ  E  x  x1 f ( x1 )  x 2 f ( x2 )  . . .  x n f ( xn )
 1  0.23  2  0.322  3  0.177  . . .  7  0.015  8  0.01
 2.689
Ejemplo

Hallar la Esperanza Matemática de la Variable “El número posible de puntos


que pueden aparecer cuando se lanzan dos dados”. Observemos la
Distribución de Probabilidad de esta Variable Discreta, dada en la siguiente tabla y
encontremos en una nueva columna el producto x  f  x  , Así:

NÚMERO DE PUNTOS PROBABILIDAD


x  f  x
x f  x

10
Probabilidad y Estadística

2 1/36 2/36
3 2/36 6/36
4 3/36 12/36
5 4/36 20/36
6 5/36 30/36
7 6/36 42/36
8 5/36 40/36
9 4/36 36/36
10 3/36 30/36
11 2/36 22/36
12 1/36 12/36
12
 x  f  x   252 36
2
La Esperanza Matemática será:
n
μ  E  x   xi f( xi )
i 1
 x1 f ( x1 )  x 2 f ( x 2 )  . . .  x n f ( x n )
 2 36  ...  12 36
 252 36
7

¿Qué le indica a usted este resultado anterior? explique.

Ejemplo

Una caja contiene 3 balotas negras y 7 blancas. Se extrae una balota de esta
caja. Si ésta es de color negro usted gana $2.000.oo. Pero si es blanca usted
pierde $1.000.oo. ¿Cuál es la esperanza matemática de éste juego?
Solución

x f  x x  f  x
(Cantidad de Ganancia o Pérdida)
+ $2.000.oo (Negra) 3/10 + $6.000/10
- $1.000.oo (Blanca) 7/10 - $7.000/10
E  X    x  f  x   1.000 10  100

La Esperanza Matemática de este juego es una pérdida de $100.oo.

Es decir, suponiendo que usted realice este juego varios de miles de veces, cada
vez usted ganará $2.000.oo o perderá $1.000.oo; Sin embargo, en estos miles de
juegos usted puede esperar una pérdida promedio de $100.oo.

Ejemplo

11
Probabilidad y Estadística

Una caja contiene 4 balotas rojas, 6 negras y 8 verdes. Se extrae una balota de
esta caja. Si ésta es de color roja usted gana $3.000.000.oo. , si es negra usted
gana $2.000.000.oo. ¿Cuánto debería pagar usted si se extrae una balota verde
para asegurar que el juego fuera equitativo?

Solución

Un juego se considera equitativo si su Esperanza Matemática es cero. Por lo


tanto, debemos determinar la pérdida que debe asociarse con la extracción de una
balota verde, de modo que la Esperanza Matemática del juego sea cero.

Entonces, consideremos a L como la pérdida al extraer la balota verde.

X P(x) xP(x),
(Cantidad de Ganancia o Pérdida)
+ $3.000.000.oo (Roja) 4/18 12.000.000
18
+ $2.000.000.oo (Negra) 6/18 12.000.000
18
- $L (Verde) 8/18 8 L
18
8  L 24.000
E X    x  f  x   
18 18

Ahora, haciendo E (x) = 0 y despejando L tenemos que:

8  L 24.000.000
  0  8  L  24.000.000
18 18
24.000.000
L  3.000.000
8
Luego, si usted paga $3.000.000.oo cuando extrae la balota verde, la Esperanza
Matemática del juego es cero y éste es equitativo.

Ejemplo

El supervisor de una planta manufacturera tiene a 3 hombres y 3 mujeres a su


cargo. Para realizar una tarea especial debe elegir a 2 trabajadores, los cuales
los elije al azar. Sea Y el número de mujeres en el grupo elegido, determine la
Función de Probabilidad o Distribución de Probabilidad para Y.

Solución

12
Probabilidad y Estadística

El supervisor puede elegir dos trabajadores de un grupo de 6, ¿de cuántas


maneras lo puede hacer?
 6!
2
6   15

  2!  6 - 2  !
Que corresponde al espacio muestral del experimento (  ), en consecuencia,
 contiene 15 puntos muestrales, que suponemos tienen la misma probabilidad,
puesto que se aplico un muestreo aleatorio.
Sea,

E1  P rimera pareja , E2  Segunda pareja , ..., En  n  ésima pareja


La probabilidad de elegir cualquiera de las parejas será:

P E1   1 , P E 2   1 , ... P En   1
5 5 5

Ahora como la variable Y (número de mujeres seleccionadas) sólo podrá obtener


los valores 0, 1, y 2 mujeres, entonces, el número de formas de elegir:

 Y = 0 mujeres es:

3 3 
  3
0 2
Ya que el supervisor debe seleccionar ninguna mujer y dos de los tres hombres,
de modo que hay 3 puntos muestrales en el evento Y = 0, por lo que:

13
Probabilidad y Estadística

33
  
0 2 3 1
f0 P(Y 0)  
 6  15 5
 
2 
 Y = 1 mujeres es:

14
Probabilidad y Estadística

 3  3
  
 11 9 3
f1P(Y1)   , y
6 15 5
 
2 
 Y= 2 mujeres es:

15
Probabilidad y Estadística

3 3
  
2 0 3 1
f2 P(Y 2)   ,
6 15 5
 
2 
Observe que (Y = 1) es el resultado más probable, lo cual parece adecuado, ya
que el número de mujeres es igual al número de hombres en el grupo original.

Por tanto, en resumen, la Función de Probabilidad o Distribución de


Probabilidad para Y es:

y f  y   P(Y  y)
0 1/5
1 3/5
2 1/5

Realice la representación gráfica.


El método más conveniente para representar distribuciones de probabilidad
discretas es por medio de una fórmula. Para nuestro ejemplo dicha fórmula será
de la siguiente manera:

16
Probabilidad y Estadística

34 
  
f(x) x3x
7 
 
3 
Ejemplo

Una caja contiene 8 bombillas, de las cuales 3 están defectuosas. Se selecciona al


azar una bombilla de la caja y se prueba. Si ésta es defectuosa se selecciona y se
prueba otra bombilla, hasta que se escoja una bombilla no defectuosa.

a) Encuentre la función de probabilidad de la variable X = “El número de


bombillas seleccionadas”
b) Encuentre el número esperado de bombillas seleccionadas.

SOLUCION:

a) Para hallar la función de Probabilidad tenemos que hacer que:

D = Defectuosa y B = Buena o No Defectuosa.

Ahora hallamos el espacio muestral, y tenemos que:

   B, DB, DDB, DDDB

17
Probabilidad y Estadística

Por tanto, la variable X = “El número de bombillas seleccionadas”, sólo


tomara los valores: 1, 2, 3 o 4

 Ahora hallamos la probabilidad de que la primera bombilla seleccionada esté


en buen estado, es decir, que no sea defectuosa Entonces usamos el
Concepto clásico o de Laplace: La probabilidad es el cociente entre el
número de casos favorables dividido por el número de casos posibles
cuando se realiza un experimento aleatorio.

Número de casos favorables


P ( A) 
Número de casos posibles

Por tanto, la probabilidad de que la primera bombilla seleccionada sea buena


5
es: P(B) 
8

 Ahora hallamos la probabilidad de que la primera bombilla seleccionada sea


defectuosa y la segunda .buena. Entonces usamos la Regla de la
Multiplicación para dos eventos dependientes:

P  A y B   P  A  B   P  A  P  B / A

PD1 B 2   P(D1 )  P  B 2 /D1 


3 5
 
Por tanto, 8 7
15

56

 Ahora hallamos la probabilidad de que la primera bombilla seleccionada sea


defectuosa, la segunda sea defectuosa y la tercera sea buena. Entonces
usamos la Regla de la Multiplicación para tres eventos dependientes:

P  A  B C   P  A   P  B / A   P  C / A  B 

P D1  D 2  B3   P(D1 )  P  D 2 /D1   P  B3 /D1  D 2 


3 2 5
  
Por tanto, 8 7 6
5

56

 Ahora hallamos la probabilidad de que la primera bombilla seleccionada sea


defectuosa, la segunda sea defectuosa, la tercera sea buena y la cuarta sea

18
Probabilidad y Estadística

buena. Entonces usamos la Regla de la Multiplicación para cuatro eventos


dependientes:

P  A  B C  D   P  A   P  B / A   P  C / A  B   P  D / A  B C 

Por tanto,

P D1  D2  D3  B4   P(D1 )  P  D 2 /D1   P  D3/D1  D2   P  B4 /D1  D2  D3 


3 2 1 5
   
8 7 6 5
1

56
Por tanto, en resumen, la Función de Probabilidad o Distribución de
Probabilidad para X es:

x f(x)  P(X  x)
B 1 5 8
DB 2 15 56
DDB 3 5 56
DDDB 4 1 56

b) Para hallar el valor esperado o esperanza de bombillas seleccionadas es:


4

E(X)   x f  x   (1  5 8)  (2 15 56)  (3  5 56)  (4 1 56)


1
84
E(X) 
56
Ejemplo

Encuentre el número esperado de químicos que formen parte de un comité de 3


miembros que se seleccionan al azar de un grupo de 4 químicos y 3 contadores
públicos.

SOLUCIÓN:

Sea X que represente el número de químicos en el comité (X=0, 1, 2,3). La


distribución de probabilidad de X es:

19
Probabilidad y Estadística

 4  3 
  
 x  3  x 
f(x) 
7 
 
3
Si se realizan los cálculos correspondientes se tiene que:

f 0  1
35
f  1  12
35
f  2   18
35
f  3  4
35
Por lo tanto,
3
μ  E(X)  x f  x
0
 35   1  12 35   2  18 35   3  4 35 
μ  E X   0  1

μ  E  X   12  1,7
7

20
Probabilidad y Estadística

Entonces, si un comité de 3 miembros se selecciona aleatoriamente, una y otra


vez, de un grupo de 4 químicos y 3 contadores públicos, se tendrán, en promedio,
1,7 químicos.

Ejemplo

Una compañía ha vendido 205 tiquetes para un avión de 200 puestos. Sea X la
variable aleatoria que expresa el Nº de viajeros que va al aeropuerto para viajar en
el avión. Hallar:
 La función de distribución
 La probabilidad de que todos los viajeros que van al aeropuerto tengan puesto.
 Obtener la probabilidad de que se quede sin puesto alguno de los viajeros que
va al aeropuerto.
 Calcular el Nº esperado de viajeros que acude al aeropuerto
 ¿Cuál es la probabilidad de que la primera persona de la lista de espera tenga
sitio en el vuelo?

Solución:

 Su distribución es:

xi 198 199 200 201 202 203 204 205


pi 0,05 0,09 0,15 0,20 0,23 0,17 0,09 0,02

 La probabilidad de que todos los viajeros que van al aeropuerto tengan puesto
es:

F ( 200 )  P (X  200 )  P (X  198 )  P (X  199 )  P (X  200 )


 0.05  0.09  0.15
 0.29

 La probabilidad de que se quede sin puesto alguno de los viajeros que va al


aeropuerto es:

P (X  200 )  P (X  201 )  P (X  202 )  ...  P (X  205 )


 0.2  0.23  0.17  0.09  0.02
 0.71

Otra manera de hacerlo es:

P (X  200 )  1  P (X  200 )  1  0.29  0.71

 Para calcular el número esperado de viajeros que acude al aeropuerto se hace:

21
Probabilidad y Estadística

n
E  x   x i f ( x i )
i 1
E  x   198  0.05  199  0.09  200  0.15  201  0.2  202  0.23
 203  0.17  204  0.09  205  0.02
 201.44

 ¿Cuál es la probabilidad de que la primera persona de la lista de espera tenga


sitio en el vuelo?

F (199 )  P (X  199 )  P (X  198 )  P (X  199 )


 0.05  0.09
 0.14

4. LA VARIANZA DE UNA VARIABLE ALEATORIA DISCRETA

Es la medida del grado de concentración de los valores de la Variable Aleatoria


alrededor de su Media o Valor Esperado o Esperanza matemática E x     
Mientras más dispersos estén los valores respecto de la media, mayor será la
Varianza.

DEFINICIÓN: Sea X una V. A. que asume los valores x1 , x 2 , x3 , ..., x n con


probabilidades respectivas f  x1  , f  x 2  , f  x3  , ..., f  x n  la varianza
se denota por:

 X2  V  X   E  X    2
n

  f  x  x  
i 1
i i
2

 f  x1    x1    2  f  x2    x2    2  ...  f  xn    xn    2

PROPIEDADES DE LA VARIANZA

 La varianza no puede ser negativa

 Al ser C una constante y X una V. A., se cumple que: V C  X   C 2 V X 

 2
σX  
 V X   E X 2   E X   2
 Si a y b son constantes se cumple que: V a X  b   a 2 V X 

22
Probabilidad y Estadística

 Si X e Y son dos variables aleatorias independientes se cumple que:

V X  Y   V X   V Y 

 Si C es una constante  V(C) = 0

 Al ser c una constante y X una V. A. se tiene que: V C  X   V X 

La desviación típica de una variable aleatoria es una medida de dispersión de


la distribución alrededor de la media. Los valores pequeños indican
concentración de la distribución alrededor de la esperanza y los valores grandes
corresponden a distribuciones más dispersas.

La raíz cuadrada de la varianza se llama DESVIACIÓN ESTÁNDAR y se denota


por x

f  xi    x i    2
n
X  
i 1

La desviación típica es una medida de dispersión que depende de las unidades de


medida de la variable. Para evitar este inconveniente podemos emplear el
coeficiente de variación. El coeficiente de variación de una variable aleatoria X
será:

X
CV X 
E x 
Ejemplo

Se lanza tres veces una moneda. Sea X la variable aleatoria que expresa el Nº de
caras en los tres lanzamientos.

 Hallar y representar la función de probabilidad de X. El espacio muestral


cuando se lanza 3 veces una moneda es:

   CCC , CCS , CSC , SCC SSC , SCS , CSS , SSS  . Por tanto,

23
Probabilidad y Estadística

1
x 0   SSS  
 0.125 f (0)  P (X  0) 
8
3
x  1   SSC , SCS , CSS   f (1)  P (X  1)   0.375
8
3
x  2   CCS , CSC , SCC   f (2)  P (X  2)   0.375
8
1
x  3   CCC   f (3)  P (X  3)   0.125
8
 Calcular el Nº esperado de caras al lanzar la moneda. ¿Era previsible el
resultado?
n
E X    xi f(xi )  0  0.125  1  0.375  2  0.375  3  0.375  1.5
i 1

Sí, ya que en cada lanzamiento P(C)=1/2 y al lanzar tres veces se tiene que
3  1 / 2  1 ,5 .
 Hallar la desviación típica de X

n
σx   (x i  E  X  ) 
2
f(xi )
i 1

2 2 2 2
 (0  1.5)  (0.125)  (1  1.5)  (0.375)  (2  1.5)  (0.375)  (3  1.5)  (0.125)
También podemos calcular la desviación de la siguiente manera:

n
σx   x i2  f(x i )  (E  X  ) 2
i 1

 (0 2  0.125)  (1 2  0.375)  (2 2  0.375)  (3 2  0.125)  (1.5) 2


 0.866

Ejemplo

Hallar la varianza de la Variable “El número posible de puntos que pueden


aparecer cuando se lanzan dos dados”.

Solución

De acuerdo a la Distribución de Probabilidad, para encontrar la varianza de la


Distribución de la Variable Aleatoria X, utilizamos la Definición de Varianza:

24
Probabilidad y Estadística

 x f  x  x  f  x  x  E X   x  E X 2  x  E X 2  f  x


2 1/36 2/36 2 - 7= -5 25 25/36
3 2/36 6/36 3 - 7= -4 16 32/36
4 3/36 12/36 4 - 7= -3 9 27/36
5 4/36 20/36 5 - 7= -2 4 16/36
6 5/36 30/36 6 - 7= -1 1 5/36
7 6/36 42/36 7 - 7= 0 0 0
8 5/36 40/36 8 - 7= 1 1 5/36
9 4/36 36/36 9 - 7= 2 4 16/36
10 3/36 30/36 10 - 7= 3 9 27/36
11 2/36 22/36 11 - 7= 4 16 32/36
12 1/36 12/36 12 - 7= 5 25 25/36
  x  E  X   2  f  x   5,83
TOTAL x f  x  7

Encuentre la varianza utilizando la tercera propiedad, es decir,

σ 2
X
 
 V X   E X 2   E X  
2
Sugerencia, elabore una tabla como la anterior.

Ejemplo

Dada la siguiente distribución,

x 0, 1, 2, 3
p(x)= 4/35 18/35 12/35 1/35
Comprobar que es una fdp y hallar E(x), E(x2) y V(x).

Solución

Evaluemos primero la función p


 1
Luego  p(x)   4  18  12  1  1
0 35
3

Además E(x)   x p(x)  351  0  4  1  18  2  12  3  1  79


0

 
3
También E(x ) 
2
0 x 2 p(x)  1 0 2  4  1 2  18  2 2  12  3 2  1  15
35 7

Entonces  
V x   E x 2  E 2  x  
24
49

Ejemplo

25
Probabilidad y Estadística

Una urna contiene 3 balotas rojas, 4 negras y 5 blancas. Se extraen


sucesivamente y sin reemplazamiento 3 balotas. Calcular la Función de
Probabilidad o Distribución de Probabilidad, la Función de Distribución o
Probabilidad Acumulada, la esperanza y la Desviación Típica de la variable
aleatoria X = “Número de balotas rojas extraídas”

Solución

Como se va a extraer sólo 3 balotas de la urna, entonces la variable tomará


únicamente los valores 0, 1, 2, 3 que son el número de balotas de color rojo que
se podrán extraer

Ahora debemos encontrar el número de las maneras posibles de seleccionar 3


balotas de las 12 existentes, para lo cual utilizamos las combinaciones, así:

   3 ! 12
12
3
!
12 - 3 !
 120

 Luego debemos calcular el número de maneras posibles de seleccionar cero


rojas (0), es decir x = 0. Es decir, que se pueden elegir:

3 negras y o blancas  
4
  
5
3 0

2 negras y 1 blanca  
4
  
5
2 1

1 negra y 2 blancas  
4
  
5
1 2

0 negras y 3 blancas    4 5


0 3

Total (Cero Rojas)           


4
3
5
0
4
2
5
1
4
1
5
2
4
0
5
3

Ahora hallamos la probabilidad de que se seleccione ninguna balota roja


P ( X  0 ) . Entonces usamos el Concepto clásico o de Laplace: La probabilidad
es el cociente entre el número de casos favorables dividido por el número de
casos posibles cuando se realiza un experimento aleatorio.

Número de casos favorables


P ( A) 
Número de casos posibles

Por tanto,

P( X  0) 
                     84
4
3
5
0
4
2
5
1
4
1
5
2
4
0

  12
3 120

26
Probabilidad y Estadística

 Para x = 1, es decir, debemos calcular el número de maneras posibles de


seleccionar una (1) balota roja, dentro de las tres que se seleccionan.
Entonces como ya se sabe que dentro de las tres que se seleccionan debe
existir una balota roja, entonces, se pueden elegir:

1 Roja 2 negras y 0
blancas   
3
1
4
2   
5
0

1 Roja 1 negras y 1
blanca    
3
1
4
1    5
1

1 Roja 0 negra y 2
blancas   
3
1
4
0   
5
2

Total (una Rojas)                         


3
1
4
3
5
0
4
2
5
1
4
1
5
2
4
0
5
3

Ahora la probabilidad de que dentro de las tres balotas seleccionadas haya una
balota roja P ( X  1) . Por tanto:
 3  4    5    4    5    4    5    4    5  
1 
  3   0   2   1   1   2   0   3 
                  108
P(X  1)  
 12 
3  220
 
 Para x = 2, es decir, debemos calcular el número de maneras posibles de
seleccionar dos (2) balotas rojas, dentro de las tres que se seleccionan.
Entonces como ya se sabe que dentro de las tres que se seleccionan debe
existir dos (2) balotas rojas, entonces, se pueden elegir:

2 Rojas 1 negras y 0
blancas 


3
2

 
 
 4
1







5
0


2 Roja 0 negras y 1

 2
3  4  5 
blanca 
  0  1 
    

Total (dos Rojas)  


        

3 4 5 4 5
          
 2  1   0   0   1 

Ahora la probabilidad de que dentro de las tres balotas seleccionadas haya una
balota roja P ( X  2 ) . Por tanto,
 3  4    5    4    5  
2  1   0   0   1  
          27
P(X  2)  
 12 
  220
3 
 Para x = 3, es decir, debemos calcular el número de maneras posibles de
seleccionar tres (3) balotas rojas, dentro de las tres que se seleccionan.
Entonces como ya se sabe que dentro de las tres que se seleccionan debe
existir tres (3) balotas rojas, entonces, se pueden elegir:

27
Probabilidad y Estadística

3 Rojas 0 negras y 0

3
3  4    5 
blancas 
 0
  
0
 


 3
3
Total (tres Rojas) 

Ahora la probabilidad de que dentro de las tres balotas seleccionadas todas


sean rojas P ( X  3) . Por tanto,

3
3
 1
P(X  3)    
 12 
3  220
 

La Función de Probabilidad o Distribución de Probabilidad para X es:

x f(x)  P(X  x) F  x   P X  x 
0 84 220
1 208 220
2 27 220
3 1 220 1
3
μ  E(X)   x f  x
Por lo tanto, 0
μ  E  X   0   3.3818   1   0.4909   2   0.1227   3   0.0046 
μ  E X   ?

Ejemplo

Una caja contiene 10 bombillas, de las cuales, existen 3 defectuosas (Que no


encienden). Se selecciona sucesivamente de esta caja, 4 bombillas al azar y sin
devolución y se prueban.
Encuentre la Función de Probabilidad y la Función de Distribución para la
variable X = “Número de bombillas defectuosas seleccionadas”

SOLUCIÓN

X = “Número de bombillas defectuosas seleccionadas”

N=10 N1 = 3 Defectuosas N2 = 7 Buenas n=4

Primero debemos tener en cuenta que la variable puede tomar solamente los
valores x = 0,1, 2, 3

28
Probabilidad y Estadística

Luego se debe encontrar, de cuántas maneras posibles se pueden seleccionar 4


bombillas de las 10 que existen, es decir hallar el espacio muestral, y se realiza
utilizando la combinación, de la siguiente manera:

 10 
Ω     210
4 
 Ahora se debe encontrar de cuántas maneras posibles se pueden seleccionar
cero (0) bombillas defectuosas de las 10 existentes, conociendo que de estas
10 bombillas existen 7 en buen estado. Es decir, para hallar cuando x = 0 se
hace:

 3  7 
  35
0  4
Por último hallamos la probabilidad de que la primera bombilla seleccionada esté
en buen estado, es decir, que no sea defectuosa, o sea, hallar P  X  0  .
Entonces usamos el Concepto clásico o de Laplace: La probabilidad es el
cociente entre el número de casos favorables dividido por el número de
casos posibles cuando se realiza un experimento aleatorio.

Número de casos favorables


P ( A) 
Número de casos posibles
Por tanto:

29
Probabilidad y Estadística

3 7
  
0  4 35
f(0)  XP  0  
10 210
 
4 
 Ahora se debe encontrar de cuántas maneras posibles se pueden seleccionar
una (1) bombilla defectuosa de las 10 existentes, conociendo que de estas 10
bombillas existen 7 en buen estado. Es decir, para hallar cuando x = 1 se hace:

 3  7 
  105
1  3
Por tanto:

30
Probabilidad y Estadística

 3  7 
    
1  3 105
f(1)  XP  1  
10 210
 
4 
 Ahora se debe encontrar de cuántas maneras posibles se pueden seleccionar
dos (2) bombillas defectuosas de las 10 existentes, conociendo que de estas
10 bombillas existen 7 en buen estado. Es decir, para hallar cuando x = 2 se
hace:

 3  7 
  21
2  1
Por tanto:

31
Probabilidad y Estadística

 3  7 
    
2  1 21
f(2)  XP  2  
10 210
 
4 
 Ahora se debe encontrar de cuántas maneras posibles se pueden seleccionar
las tres (3) bombillas defectuosas de las 10 existentes, conociendo que de
estas 10 bombillas existen 7 en buen estado. Es decir, para hallar cuando x = 3
se hace:

 3  7 
  1
3  0
Por tanto:

32
Probabilidad y Estadística

 3  7 
   
3  0 1
f(3)  XP  3  
10 210
 
4 
En resumen, la Distribución de Probabilidad y la Función de Distribución es:

x f(x)  P(X  x) F(x)  P(X  x)


0 35 210 35 210
1 105 210 140 210
2 21 210 161 210
3 1 210 162 210

Para Calcular el Valor esperado o Esperanza y la Varianza de la variable,


tenemos que:

x f(x) x f(x) 2
x  f(x)
0 35 210 0 0
1 105 210 105 210 105 210
2 21 210 42 210 84 210
3 1 210 3 210 9 210
Total 150 210 198 210

33
Probabilidad y Estadística

La esperanza será:
150 5
EX    0.714
210 7

 
Para hallar la varianza, aplicamos la fórmula: σ 2  E X 2   E  X  
Es decir, primero hallamos:  2   198
E X
210

33
35
Y reemplazando tenemos que:
2
2 33  5 
σ   
35  7 
33 25
 
35 49
106
  0,4327
245
 σ  0,6578

Ejemplo
Cinco animales de una población considerados especie en vía de extinción en
cierta región han sido atrapados, marcados y puestos en libertad para que se
mezclen con la población (M = 5). Después de mezclarse se eligió una muestra
aleatoria de 10 (n = 10).

Sea X el número de animales marcados de la segunda muestra (los atrapados


nuevamente).

Si hay en realidad 25 animales de este tipo en la región (N = 25), calcular la


probabilidad de que en la muestra seleccionada por último exista
a) Exactamente dos animales marcados (X=2)
b) Máximo dos animales marcados (X  2)
c) Calcular el valor esperado (E(X)) y la varianza ( V(X))
d) Si el tamaño de la población N no se conoce, cómo lo estimaría en el caso
M  100 , n  40 y X  16

Solución:
Los parámetros de distribución son n = 10, M = 5 y N = 25 así

34
Probabilidad y Estadística

 5   20 
  
 x   10 - x 
hx,10,525  x 0,12,34,5
 25 
 
 10 

35
Probabilidad y Estadística

 5   20 
  
2 8 
a)
P(X  2)   0.385
 25 
 
 10 
P(X  2)  P(X  0)  P(X  1)  P(X  2)
b)  0.057  0.257  0.385
 0.699

E(X)  n M
N
c)   10   5 
 25 
2

 N n M  M
V(X)     n   1  
 N 1  N  N 
 15   5  5 
   10    1  
f)  24   25   25 
15
 (10) (0.2) (0.8)
24
1

36
Probabilidad y Estadística

e) Es pertinente igualar la proporción muestral observada de éxitos x n con la


proporción poblacional M Nˆ
M  x al despejar tenemos que :
N̂ n

n M
N̂  entonces, reemplazando tenemos :
x
 100    40 
N̂ 
 16 
N̂  250

Ejercicio

1. Un embarque de 8 computadores portátiles similares que se envía a un distribuidor contiene 3 aparatos defectuosos. Si
una escuela realiza una compra aleatoria de 2 de estos computadores, encuentre la distribución de probabilidad para el
número de computadores portátiles defectuosos.

B. DISTRIBUCIÓN DE UNA VARIABLE ALEATORIA CONTÍNUA

Una VARIABLE ALEATORIA CONTINUA, es aquella que puede tomar todos los
valores de un intervalo dado.

En la mayoría de los problemas prácticos, las VARIABLES ALEATORIAS


CONTÍNUAS representan datos medidos, tales como alturas, peso, temperaturas,
distancias o periodos de vida

Ejemplos

1. Un estudio estadístico quiere conocer la duración de un conjunto de bombillas,


para ello se define la v.a. X="duración de una bombilla" . La v.a. así definida es
una variable continua pues puede tomar cualquier valor mayor que 0.

2. Sea X la v.a. que describe la duración de los neumáticos de cierta marca y


modelo. Los valores de una variable estadística continua siempre se
consideran agrupados en intervalos de clase, luego no tiene sentido
plantearse la probabilidad de resultados "aislados" (como, por ejemplo, la
probabilidad de que un neumático dure, exactamente, 56.000 km, 235 m, 47
cm y 6 mm). En todo caso, esas probabilidades deben valer cero. Pero sí
podemos preguntarnos, por ejemplo, ¿cuál es la probabilidad de que un
neumático dure menos de 50.000 km? o ¿cuál es la probabilidad de que un
neumático dure entre 60.000 y 70.000 km?

37
Probabilidad y Estadística

3. Pretendemos observar la altura de un grupo de personas y vamos a


seleccionar a una persona de forma totalmente aleatoria. La probabilidad de
que la altura de esa persona sea exactamente 1,62894635... m es cero. Pero
la probabilidad de que la altura de esa persona esté entre 1,62 m y 1,63 m
tendrá un valor concreto y casi con certeza que será mayor que la probabilidad
de que esté entre 2,10 m y 2,11 m. Por tanto, la densidad de probabilidad en el
entorno de 1,625 m es mayor que la densidad de probabilidad en el entorno de
2,105 m. Sin embargo, que el valor exacto 1,62894635 tenga probabilidad
cero de ocurrir no implica que sea imposible que ocurra. De hecho, cualquier
persona que seleccionemos tendrá una altura concreta y exacta que tenía
probabilidad cero de suceder.

1. FUNCIÓN DE PROBABILIDAD O FUNCIÓN DE DENSIDAD.

Según la definición, una v.a. continua puede tomar un número infinito no


numerable de puntos, la probabilidad que se puede asignar a cada valor de la
variable estará entre [0,1] con la condición de que la suma de todas las
probabilidades es 1, como hay un número infinito no numerable de valores con
masa, la P  X  x  es despreciable por lo que se dice que no tienen masa,
entonces: P  X  x   0

La función asociada a una v.a. continua se le llama función de densidad y se


denota como f  x   P  X  x  y cumple que:

 f  x 0

  f  x  dx  1


Ejemplo

1. Una calculadora genera números al azar en el intervalo [0,1], con igual


probabilidad para cada número del intervalo. Una variable así definida es
continua, y además se reparte uniformemente la probabilidad en el intervalo
[0,1]. La función de densidad es:

1 si 0  x  1
f(x)  
0 resto
Esta función así definida cumple las dos condiciones:

 f  x 0

38
Probabilidad y Estadística

 1
  f  x  dx   dx  1
 0

Ejemplo

Determinar el valor de k para que la función dada, sea una función de densidad

 2 x k  si 1  x  2
f(x)  
0 resto
Solución
2 2

 f  x  dx    2 x  k  dx
1 1


 x 2  kx 1  2

 2  
 k  2  12  k 1
2

  4  2 k   1  k 
 4  2 k 1  k
3 k
E ntonces :
2

 f  x  dx  3  k, ,
1
como :

 f  x  dx  1

entonces :

 f  x  dx  3  k,
1

1 3  k
k  2

2. FUNCIÓN DE DISTRIBUCIÓN O DE DISTRIBUCIÓN ACUMULADA

39
Probabilidad y Estadística

La función de distribución F(x), F : R   0 , 1  nos da la probabilidad acumulada


desde - hasta el valor que se tiene en consideración, es decir:
x
F(x)  P  X  x    f  x  dx


Gráficamente la función de distribución es el área limitada por la función de


densidad y el eje de abscisas entre - y x

Ejemplo

Cierta variable aleatoria tiene por función de densidad

3 x 2 si 0  x  1
f(x)  
0 resto
Determinar su Función de Distribución.

a. Si x < 0
0 0
F( 0 )  P  X  0    f  t  dt   0 dt  0
 

b. Si 0 ≤ x ≤ 1
 
x 1
3 1
F(x)   f  t  dt  P  0  x  1  F  0   0 3 t
2
dt  0  t 0  x
3


c. Si x > 1
x  1 
F(x)   f  t  dt  P  x  1  F 1  1   3 t dt   1  0  1
2

 
  0 

En resumen:

40
Probabilidad y Estadística

0 si x  0

F(x)   x 3 si 0  x  1
1 si x  1


3. La Esperanza o Media de una Variable Aleatoria Contínua

Consideremos una v.a continua X. Llamaremos media o esperanza de X a



E X  x f  x  dx


Donde x son los valores que toma la variable y f(x) es la función de densidad

Propiedades:

1. Dada una variable aleatoria continua que toma siempre el mismo valor C, es
decir, la variable es constante. Su esperanza es esa misma constante.
  
E C   C f  x  dx  C  f  x  dx  C ya que  f  x  dx  1
  

Si se multiplica una variable aleatoria por una constante, su esperanza se ve


multiplicada por esa constante.
 
E C X    C xi f  x  dx  C  xi f  x  dx  C E X
 

2. E  X - E  X   0 veámoslo:
  
E  X - E  X    xi  E  X  f  x  dx   xi f  x  dx   E  X  f  x  dx
  
 
  xi f  x  dx  E  X   f  x  dx
 
 E  X   E  X 
 0
3. Sean X e Y dos variables aleatorias, Ε  X  Y   Ε  X   Ε  Y 
4. En general, Ε  a X  b   a Ε  X   b

Ejemplo

El peso (en gramos) de un insecto se distribuye según

1 si 1  x  2
f  x  
0 En el resto

41
Probabilidad y Estadística

Calcular el peso esperado.

Solución:
 1 2 
E X    x f  x  dx   x f  x  dx  1 x f  x  dx  2 x f  x  dx
 
2
 1 x dx

2
 2 
 x 
 2 1
 2 1
2
 3
2

Ejemplo

El tiempo de vida (en años) de una determinada componente de un juguete


electrónico tiene por función de densidad, hallar el tiempo de vida esperado.

 6 x x  1 si 0  x  1
f  x  
0 En el resto
Solución:

 1
E X    x f  x  dx   x 6 x  x - 1   dx
 0

  6 x  dx
1
3 2
  6x
0
1
  3 x  2x 
4 3
 2  0

   3  1 4  2  1 3     3  0 4  2  0 3 
 2   2 

   3  2
 2 

 1
2

42
Probabilidad y Estadística

La duración esperada de la componente es de medio año, es decir, 6 meses.

4. LA VARIANZA DE UNA VARIABLE ALEATORIA CONTINUA

Es la medida del grado de concentración de los valores de la Variable Aleatoria


alrededor de su Media o Valor Esperado o Esperanza matemática E x     
Mientras más dispersos estén los valores respecto de la media, mayor será la
Varianza.

DEFINICIÓN: Sea X una V. A continua, la varianza de esta variable se define


como la esperanza del cuadrado de la diferencia entre, la variable y su esperanza,
es decir:
V  X   E  X - E X  2 ,  
y teniendo en cuenta la definición de esperanza, la varianza queda:
σ X  V  X   E X  μ 2
2

 f  x   x μ donde E  X   μ
2
 dx ,


PROPIEDADES DE LA VARIANZA

 La varianza no puede ser negativa


 Al ser C una constante y X una V. A., se cumple que: V C  X   C 2 VX 
σ X2  
 V  X   E X 2   E X 2
2
    
  x 2
f  x  dx   x f
  x  dx 
   
 Si a y b son constantes se cumple que: V  a X  b  a 2 V  X 
 Si X e Y son dos variables aleatorias independientes se cumple que:
V  X  Y   V  X   V Y 
 Si C es una constante  V(C) = 0
 Al ser C una constante y X una V. A. se tiene que: V  C  X   V  X 

DESVIACIÓN TÍPICA

El concepto de desviación típica es equivalente en variables aleatorias


discretas y continuas, aunque en estas últimas su cálculo es más
complicado.

Se llama desviación típica o estándar a la raíz cuadrada positiva de la varianza

43
Probabilidad y Estadística

σ X  VAR  X 

 f  xi    xi  μ 
2



La desviación típica de una variable aleatoria es una medida de dispersión de


la distribución alrededor de la media. Los valores pequeños indican
concentración de la distribución alrededor de la esperanza y los valores grandes
corresponden a distribuciones más dispersas.

La desviación típica es una medida de dispersión que depende de las unidades de


medida de la variable. Para evitar este inconveniente podemos emplear el
coeficiente de variación. El coeficiente de variación de una variable aleatoria X
será:

CV X  σX
E x
Ejemplo

El peso (en gramos) de un insecto se distribuye según

1 si 1  x  2
f  x  
0 En el resto
Determinar la varianza de X.

SOLUCIÓN

Para determinar la varianza primero calculamos E[ X ] y E[ X 2 ]

 1 2 
E X    x f  x  dx   x f  x  dx   x f  x  dx  x f  x  dx
  1 2
2
 x dx
1
2
 2 
 x 
 2  1
 2 1
2
 3
2

44
Probabilidad y Estadística

 
   x
1 2
E X2 2
f  x  dx  x f
2
 x  dx   x2 f  x  dx   x2 f  x  dx
  1 2
2
2
x3 
  x dx   
2

1  3 1
8 1
 
3 3
7

3
Por tanto,
V X  E X   E  X 
2 2
 7   3 
3 2
2
 7  9
3 4
V X  1
12

Ejemplo

El tiempo de vida (en años) de una determinada componente de un juguete


electrónico tiene por función de densidad

 6 x x  1 si 0  x  1
f  x  
0 En el resto
Halla su varianza.

Solución: Razonamos de forma análoga al caso anterior

 1
E X    x f  x  dx   x 6 x  x - 1   dx
 0

  6 x 
1
3
  6 x 2 dx
0
1
   3 x4  2 x3 
 2  0

   3  1 4  2  1 3     3  0 4  2  0 3 
 2   2 

   3  2
 2 

 1
2

45
Probabilidad y Estadística

   x
 1
E X
2 2
f  x  dx  x
2
 6 x  x - 1   dx
 0

  6 x  dx
1
4 3
  6x
0
1
  6 x  3 x 
5 4
 5 2  0

  6  3
5 2
 3
10

Por tanto,
X  E  X 
2

V X E 2 2
 3   1   3  1
10 2 10 4
V X  1
20

Ejemplo

Las marcas obtenidas por un lanzador de peso sigue una v.a con función de
densidad:
 x2

f  x   k 9 si 0  x  3
0 En el resto

Donde las distancias, X, se miden en metros (m).
a) Calcular el valor de K.
b) Calcular la distancia media esperada, así como una medida de dispersión de
la variable.

SOLUCIÓN:

Hallamos el valor de K

46
Probabilidad y Estadística

2 3 x2

 f  x  dx   k
1 0
9
dx

3
k  x3 
  
9  3 0


k
27
 
x3 0
3


k
27

33  0 3 
k
  27 
27
k
Entonces:
3

 f  x  dx
0
 k,

Ahora como:

 f  x  dx

 1 entonces al igualar tenemos:

1 k
k 1

Ahora hallamos la esperanza:



E X   x f  x  dx

3 
x 
2
  x   dx
0  9 
13
 
  x 3 dx
90
3
1 x 
4
  
9  4 0


1
36
 
x4 0
3


1
36

34  04 
1
  81
36
9

4
Para hallar la varianza, primero debemos hallar E  X 2  :

47
Probabilidad y Estadística

 3  x2 
E  X 2    x 2 f  x  dx   x 2   dx
   9 
 0  
3
1  4
   x  dx
90 
3
1  x5 
  
9 5 
 0
1  5 3
 x
45  0
1  5
 3  05 
45  
1
  243
45
27

5
Por tanto,
 
2
V X E X2   E  X 2  27   9   27  81
5  4 5 36
V  X   27  0.3375
80

Ejemplo

Comprobar que f  x   2 x  1 , 1  x  2 es una fdp y hallar E(x), E(x2) y V(x).

SOLUCIÓN

Primero se debe comprobar que:




f(x) dx  1

48
Probabilidad y Estadística

 2
En efecto
 f(x) dx  2   x  1 dx
 1
2
 x2 
2  x
 2 
1

 2 2   12 
 2 *   2    1 
 2   2 
   
 4   1 
 2 *   2     1
 2   2 
  1 
 2 *  0      
  2 
 1
2* 
 2
1
2
 2  x3 x2 
  1 
E  x   x f(x) dx  2  x  1 x dx  2 
 3

 
2 
1
 3 
2 2 2   13 1 2 
 2 *    
 3 2   3 2 
   
 8 4   1 1 
 2 *       
 3 2   3 2 
 16  12   2  3 
 2 *    
 6   6 
 4    1 
 2 *     
 6   6 
 5
2*
 6 
5

3

49
Probabilidad y Estadística

2
 2  x 4 x3 
 
E  x    x f(x) dx  2   x  1 x dx  2 
2 2 2  
   4 3 
- 1  1
 24 23   14 13 
 2 *      
 4 3   4 3 
   
 16 8   1 1 
 2 *       
 4 3   4 3 
 48  32   3  4 
 2 *   
 12   12 
 16    1 
 2 *     
 12   12 
 16  1 
 2 *  
 12 
17
 2*
12
17

6

Y por lo tan to :

 
VAR  X   E x 2   E x  
2

2
17  5 
  
6  3
17 25
 
6 9
153  150

54
3

54
1

18

50
Probabilidad y Estadística

EJEMPLO:

k  2 x  3x 2  Si 0  x  2
f  x  
0 Re sto

 k  2 x  3x  dx  1
2
2

k   2 x  3 x  dx  1
2
2

2  2x 2 3x 3 
k  0
 2


3  
1
2

  x
2  x3   1
k 
0

k  2 2  23   1

 

k  4  8  1
 4k  1
1
k 
4
 1 
E  x    x      2x  3x 2 dx
2

0
 4  
2
1 1  2x3 3x4 
 2x  3x  dx   
2
2 3 

4 0   4 3

4 
 0
12 3 
    23    24  
4  3   4  
1  16 48 
   
4 3 4 
 1  16   1  48 
         
 4  3   4  4 
4
  3
3
49

3
5
E x 
3

51
Probabilidad y Estadística

σ 2  x   E  x 2    E x  
2
 1
E x 2   x 2     2 x  3 x 2  dx
2


0
 4 27  5 
2

  
 1
    2 x  3 x 2  dx
2
10  3 

0
 4 27 25
 
1 2  2 x4 3 x5  10 9

4 
0
 4  5 
  252  250

1  1 x4 3 x5 
2 90

4 0

 2

5 


2
90
1 1 3 
    2 4    25   1
42 5  σ2  x  
45
1 96 
 8  
4 5 
 1  40  96 
    
 4  5 
 1  56 
     
 4  5 
56

20
28

10
14
E x 2  
5

EJEMPLO:

 
k 3 x 2  2 x Si 0  x  2
f  x  
0 Resto

52
Probabilidad y Estadística

  3x  2 x  dx  1
2
2
k
0

2  3x 3 2x 2 
k 0
 3  2  1
 

x  x2   1
2
k 3

k23  22   1
k  8  4  1
4k  1
1
k 
4

 x  4 3 x  2 x  dx
2
1
E x   2

3 x  2 x  dx
2
1
4
 3 2

1  3x 2x 
2 4 4

4  4
   
 0 3 


13 4
 2  2 
44
2 3 
3
   

13 2 
  16    8 
44 3 
1 16 
 12  
4 3 
1  36  16 
  
4 3 
1
  20
12
5
E x 
3

53
Probabilidad y Estadística

  x  
2
1
E x2  2
 3 x 2  2 x dx
0 4

 3 x  2 x  dx
2
1
 4 3

4 0

1  3x 2
2x  5 4

4  5
   
0 4 


13 5
 2  2 
45 2
 
1 4 
 

1  96 8 
   
4 5 1
1  96  40 
  
4 5 
1  56 
  
4 5 
56

20
 
E x2 
28
10
Var  X   σ 2  x   E x 2    E x   2
 
2
28  5 
  
10  3 
28 25
 
10 9
252  250

90
2

90
1
σ2  x 
45

La función de distribución acumulada es:

 4 3x 
1
F  x  2
 2 x dx

1  3x 3 2 x 2 
   
4  3 2 
F  x 
1 3
4

x  x2  2

EJEMPLO:

54
Probabilidad y Estadística

 
k 3 x  x 2 Si 0  x  2
f  x  
0 Resto

 k 3x  x dx  1
2
2

k  3 x  x  dx  1
2

 0
2

 3x
2
x 
2 3
k
  2 3 dx  1


0

3 2
k   
2 
2 3 
3 
1
2
 8
k6    1
 3
 18  8 
k  1
 3 
10k
1
3
3
k 
10

 x  10 3 x  x  dx
2
3
E x   2

3 x  x  dx
2

10 
3 2 3

0

 3x 2
x 3 4

10   3
3 
  
0 4 
24 

3  x3  x 
  
10
0  4 
1  16 48 
   
4 3 4 
1  3 2 4 

 2 
4  4 

3
  8  4
10
12

10
6
E x  
5

55
Probabilidad y Estadística

   
2


3
E x2 
0
x2 
10
3 x  x 2 dx
2  x  E x 
2
  E x 2

 3 x 
2 2
3 3 42   6 
  x 4 dx   
10 0 25  5 
2 5 
4
28 36

3  3x  x   
  4
10 0  5  10 25


3  3 2 4

 
25  
2
 x 
6
25
10  4 5 
3  48 32 

 10 3x  x dx
   
10  4 5  F  x  3 2

3  32 
 12    2 3 
10  5   3  3x  x 
3  60  32 
10  2 3 
  
10  5 
3  28 
  
10  5 

 
E x2 
42
25

EJERCICIOS

1. Las marcas obtenidas por un lanzador de peso sigue una variable


aleatoria con densidad

 x2
k ( ) si 0  x  3
f(x)   9
0 en el resto
donde las distancias, X, se miden en decámetros.

a) Calcula el valor de k.

56
Probabilidad y Estadística

b) Calcula la probabilidad de que la distancia conseguida por el lanzador sea


mayor que 20 metros.
c) Calcula la probabilidad condicionada de que la marca sea superior a 25
metros sabiendo que es superior a 20 metros.
d) Calcula la distancia media esperada así como una medida de la dispersión
de la variable.

2. Una urna contiene 3 bolas rojas, 4 bolas negras y 5 blancas. Se extraen sin
reemplazamiento 3 bolas. Calcula la distribución de probabilidad, función de
distribución, media y desviación típica de las siguientes variables aleatorias
asociadas:

a) R=”número de bolas rojas extraídas ”


b) N=”número de bolas negras extraídas”
c) B=”número de bolas blancas extraídas”

3. La duración en años de la batería de cierto modelo de teléfono móvil


es una variable aleatoria continua X con función de densidad

k (x  2 )2 si 2  x  4
f(x)  
0 en el resto
a) Calcula el valor de k.
b) Calcula la duración media de una batería.
c) Calcula la probabilidad de que una batería dure más de 2 años y
medio.
d) Sabiendo que una batería tiene más de un año, calcula la
probabilidad de que dure menos de 3.

4. Se ha observado que un termómetro sometido a condiciones


meteorológicas adversas da una medición de entre dos grados más y
dos menos de la temperatura real. El error cometido sigue una
variable aleatoria continua con densidad

k ( 2  x2 ) si  2  x  2
f(x)  
0 en el resto

57
Probabilidad y Estadística

a) Calcula el valor de k.
b) Calcula la función de distribución.
c) Calcula la probabilidad de que el termómetro dé la temperatura
exacta.
d) Probabilidad de que el termómetro cometa un error de entre -1 y 1
grado.
e) Probabilidad de que el error sea menor que 1 sabiendo que es
mayor que -1
f) Estima el error esperado.

5. Una variable aleatoria X que representa la duración en minutos de las


llamadas realizadas en un locutorio público tiene por función de distribución

 0 si x  0
2

F(x)   x si 0  x  5
 25
1 si x  5
a) Calcula la probabilidad de que una llamada dure tres minutos.
b) Calcula la probabilidad de que una llamada dure menos de tres minutos.
c) Calcula la función de densidad de la variable.
d) Calcula la duración esperada de una llamada.
e) Calcula la probabilidad de que una llamada dure menos de 4 minutos
sabiendo que ha durado más de tres

6. Una variable aleatoria tiene función de densidad

 x si 2  x  4
 10

f(x)  k si 4  x  5
0 en el resto


a) Calcula el valor de k.
b) Calcula la función de distribución.
c) Calcula P ( 3  X  4)

7. Una variable aleatoria X tiene función de distribución

58
Probabilidad y Estadística

0 si x  1
 1
F(x)  k (1  ) si 1  x  2
 x
1 si x  2
a) Calcula la función de densidad de la variable.
b) Calcula el valor de k.
c) Calcula la probabilidad de que la variable tome valores comprendidos entre
0.5 y 1.5.
d) Calcula la probabilidad de que X sea mayor que 1.5 sabiendo que X < 1.75.

8. Basándose en un gran número de pruebas, un fabricante de lavadoras piensa


que el tiempo, en años, antes de que se necesite una reparación importante
es una variable aleatoria cuya función de densidad es

kx si 3  x  5
f(x)  
0 en el resto
a) Calcula k para que f(x) sea función de densidad.
b) Calcula la función de distribución.
c) Calcula media, varianza y desviación típica.
d) Calcula la probabilidad de que la primera reparación importante deba
hacerse antes de los dos años.

9. Si X es una v.a. y f(x)  k x (1  x ) , 0  x  1


¿qué valor debe tomar k para que
f(x) sea función de densidad de X ? ¿Cuál será F(x) ?

10. La siguiente función de densidad representa la distribución de los tiempos de


atención de un cliente en la ventanilla de un banco:

x si 0  x  1
f(x)  
2  x si 1  x  2
Hallar el tiempo medio y su varianza. ¿Cuál es la probabilidad de que el
tiempo de atención a un nuevo cliente esté entre tres cuartos de hora y una
hora y cuarto?

59
Probabilidad y Estadística

x
11. Sea X una v.a. con f(x)  1  , 0  x  2 Calcular la media, la varianza y el
2
coeficiente de variación.

12. La demanda mensual de un artículo de consumo es una v.a. cuya:


8

f(x)  3 4 x  2 x , 0  x  2
2
( x en millones de unidades )

a) ¿Cuál es la demanda mensual media?


b) ¿Cuál es la variación en la demanda mensual?

13. Una muestra aleatoria con reposición de tamaño n=2 se selecciona del
conjunto {1, 2, 3} produciendo el espacio equiprobable de 9 elementos.
S= {(1,1),(1,2),(1.3),(2,1),(2,2),(2,3),(3,1),(3,2),(3,3)}. Sea X la suma de los
dos números.

a) Encuentre la distribución f(x) de X.


b) Encuentre el valor esperado E(X).

14. Una caja contiene 8 bombillos, de los cuales están 3 están defectuosos. Se
selecciona un bombillo de la caja y se prueba. Si este sale defectuoso se
selecciona y se prueba otro bombillo, hasta que se escoja un bombillo no
defectuoso. Encuentre:

a) La distribución f(x) de la variable aleatoria X (El número de bombillos


seleccionados)
b) El número esperado de bombillos seleccionados

15. Encuentre la media   E  X  , la varianza  2  VAR  X  y la desviación


estándar   VAR  X  , de la distribución

x 1 3 5 7
f(x)  P  X  x  0.3 0.1 0.4 0.2

16. Encuentre el número esperado de matemáticos que formen parte de un comité


de 3 miembros que se seleccionan al azar de un grupo de 4 matemáticos y 3
contadores públicos. ¿cuál será la función de densidad f(x) ?

60
Probabilidad y Estadística

EJERCICIOS EN CLASE

1) La demanda mensual de un artículo de consumo es una v.a. cuya:


8

f(x)  3 4 x  2 x , 0  x  2
2
( x en millones de unidades )

a) ¿Cuál es la demanda mensual media?


b) ¿Cuál es la variación en la demanda mensual?

2) Basándose en un gran número de pruebas, un fabricante de lavadoras piensa


que el tiempo, en años, antes de que se necesite una reparación importante
es una variable aleatoria cuya función de densidad es

k (x3  2) si 0  x  5
f(x)  
0 en el resto
a) Calcula k para que f(x) sea función de densidad.
b) Calcula la función de distribución.
c) Calcula media, varianza y desviación típica.

3) Se ha observado que un termómetro sometido a condiciones


meteorológicas adversas da una medición de entre dos grados más y
dos menos de la temperatura real. El error cometido sigue una
variable aleatoria continua con densidad

k ( 2  x2 ) si  2  x  2
f(x)  
0 en el resto
a) Calcula el valor de k.
b) Calcula la función de distribución.

61
Probabilidad y Estadística

c) Estima el valor esperado.


d) Calcula la varianza

DOUGLAS GOMEZ CABRERA

15 DE MARZO DE 2018

En este tema sobre VARIABLE ALEATORIA, aún queda la sensación de que los
problemas relacionados con la probabilidad, se pueden resolver o estudiar

62
Probabilidad y Estadística

mediante la numeración de los distintos resultados a que da lugar el experimento


en cuestión.

Sin embargo, son pocos los problemas prácticos que pueden ser resueltos de
esta manera. Por ello se recurre más bien al estudio de la RELACIÓN existente
entre los RESULTADOS del experimento y la PROBABILIDAD asociada a tales
resultados. De este estudio surgen modelos probabilísticos que resuelven
problemas de variables discretas como de variables continuas, tales como los
modelos: Modelo Binomial, el Modelo de Poisson, el Modelo Hipergeometrico, el
Modelo de la Normal, etc.

DISTRIBUCIONES DE PROBABILIDAD DISCRETAS

Las reglas básicas de Adición y de multiplicación utilizadas en la determinación de


probabilidades se reemplazan con diversas fórmulas especializadas.

En las situaciones prácticas, generalmente no se conoce la forma exacta de la


Distribución de Probabilidades de la V. A., pero mediante el estudio de la
naturaleza del fenómeno, que origina la V. A., es posible reconocer su Distribución
de Probabilidades en forma aproximada.

A continuación veremos algunos fenómenos aleatorios que originan V. A. Discretas


y cuyas Distribuciones de Probabilidad son tan reconocidas y usuales, tales como
las Distribuciones de: BERNOULLI, BINOMIAL, POISSON, GEOMÉTRICA,
HIPERGEOMÉTRICA.

DISTRIBUCIONES DE PROBABILIDAD DISCRETAS

Las reglas básicas de Adición y de multiplicación utilizadas en la determinación de


probabilidades se reemplazan con diversas fórmulas especializadas.

En las situaciones prácticas, generalmente no se conoce la forma exacta de la


Distribución de Probabilidades de la V. A., pero mediante el estudio de la
naturaleza del fenómeno, que origina la V. A., es posible reconocer su Distribución
de Probabilidades en forma aproximada.

A continuación veremos algunos fenómenos aleatorios que originan V. A. Discretas


y cuyas Distribuciones de Probabilidad son tan reconocidas y usuales, tales como
las Distribuciones de: BERNOULLI, BINOMIAL, POISSON, GEOMÉTRICA,
HIPERGEOMÉTRICA.

1. DISTRIBUCIÓN DE BERNOULLI

63
Probabilidad y Estadística

Tenemos un experimento de Bernoulli si al realizar un experimento sólo son


posibles dos resultados:

 X=1 (éxito, con probabilidad p)

 X=0 (fracaso, con probabilidad q=1-p)

Ejemplos

 Lanzar una moneda y que salga cara.

p=1/2

 Elegir una persona de la población y que esté enfermo.

p=1/1000 = prevalencia de la enfermedad

 Aplicar un tratamiento a un enfermo y que éste se cure.

p=95%, probabilidad de que el individuo se cure

Como se aprecia, en experimentos donde el resultado es dicotómico, la variable


queda perfectamente determinada conociendo el parámetro p.

EJEMPLOS

a. Se ha observado que estudiando 2000 accidentes de tráfico con impacto


frontal y cuyos conductores no tenían cinturón de seguridad, que 300
individuos quedaron con secuelas. Describa el experimento usando conceptos
de v.a.

Solución.

La noción Frecuentista de probabilidad nos permite aproximar la probabilidad de


tener secuelas mediante
P (tener sec uelas )  p  300  0.15
2000
X=“tener secuelas tras accidente sin cinturón” es variable de Bernoulli
X=1 tiene probabilidad p ≈ 0,15
X=0 tiene probabilidad q ≈ 0,85

b. Se ha observado que estudiando 2000 accidentes de tráfico con


impacto frontal y cuyos conductores si tenían cinturón de seguridad, que 100

64
Probabilidad y Estadística

individuos quedaron con secuelas. Describa el experimento usando conceptos


de v.a.

Solución.

La noción frecuentista de probabilidad nos permite aproximar la probabilidad de


tener secuelas mediante
P ( tener sec uelas )  p  100  0.05
2000
X=“tener secuelas tras accidente sin cinturón” es variable de Bernoulli
X=1 tiene probabilidad p ≈ 0,05
X=0 tiene probabilidad q ≈ 0,95

En los dos ejemplos anteriores hemos visto cómo enunciar los resultados de un
experimento en forma de estimación de parámetros en distribuciones de Bernoulli.

 Sin cinturón: p ≈ 15%


 Con cinturón: p ≈ 0,5%

En realidad no sabemos en este punto si ambas cantidades son muy diferentes o


aproximadamente iguales, pues en otros estudios sobre accidentes, las
cantidades de individuos con secuelas hubieran sido con seguridad diferentes.

Para decidir si entre ambas cantidades existen diferencias estadísticamente


significativas necesitamos introducir conceptos de estadística inferencial
(extrapolar resultados de una muestra a toda la población).

2. DISTRIBUCIÓN BINOMIAL

65
Probabilidad y Estadística

La Distribución Binomial se puede emplear para determinar la probabilidad de


obtener un número designado de éxitos en un proceso de Bernoulli. Es decir, un
Experimento Aleatorio Binomial es la suma de n ensayos de Bernoulli.

Una V. A. Binomial está definida como el Número de Éxitos (X) en los n ensayos.
Por lo tanto, la Función de Probabilidad de la V. A depende de las constantes o
parámetros de la Distribución Binomial, desconocidas:

n = El número de ensayos u observaciones


p = La probabilidad de éxito en cada ensayo y
X = El número designado de éxitos

Esta función de distribución se representa por b(x; n, p) y se define mediante la


fórmula:

 n  x n x
b x n,;( p)  f x)(  P(X  x)     p  q x  0,1, 2
 x
n n n!
Donde   es un símbolo que representa   
 x x !(  xnx )!
Y la función de distribución Acumulada de la V. A. Binomial es:

66
Probabilidad y Estadística

n  n  x n x
F x)(  P(X  x)      p  q
x 0  x 
La cual es la fórmula para determinar la probabilidad de un número designado de
éxitos (x) en una Distribución Binomial

Esta función o fórmula está tabulada para diferentes valores de n y p y se conoce


como Tabla de la Distribución Binomial.

EJEMPLOS

1. Suponga que la probabilidad de éxito en un cierto ensayo es 1/4. ¿Cuál es la


probabilidad de obtener exactamente 2 éxitos en cinco ensayos consecutivos?

Solución

p = 1/4 ……………….... (Probabilidad de éxito en un ensayo)


q = 1-p = 1- 1/4 = 3/4…... (Probabilidad de fracaso)
n=5 ………………... (Número de ensayos)
a=2 …………………. (Número de éxitos)
n - a = 3 ………………… (Número de fracasos)

 n!  a na  5! 
 P ( X  a )   a! ( n  a )!   p q =  2!(5  2)!   (1 / 4) (3 / 4)
2 5 2

   

2. Una muestra de 4 tabletas de cierta droga se selecciona sin restitución de un


lote consistente de 5.000 tabletas. Suponiendo que el 20% de las tabletas del
lote están vencidas (defectuosas), ¿Cuál es la probabilidad de que la muestra
contenga exactamente 2 tabletas vencidas?

Solución

p = 0.20 q = 1 - 0.20 = 0.80 n=4 a=2 n-a=2

 n!   4! 
P (x = a) =    p a q n  a = 
 
  (0.20) 2 (0.80) 2 = 0.1536
 a!( n  a )!   2!( 2)! 

67
Probabilidad y Estadística

3. Suponga que la probabilidad de éxito en un ensayo es 1/4, ¿Cuál es la


probabilidad de obtener exactamente 3 éxitos en 7 ensayos consecutivos?

4. ¿Cuál es la probabilidad de obtener exactamente 3 caras al lanzar 5 veces una


moneda?

5. ¿Cuál es la probabilidad de obtener exactamente 4 "seis" cuando se lanza un


dado 7 veces?

En la Distribución Binomial, es posible determinar la Esperanza Matemática (la


media) y la Desviación Estándar, sin necesidad de calcular toda la Distribución de
Probabilidad, o sea, sin necesidad de enumerar todos los valores posibles de la V.
A. y sus probabilidades. Así:

 = n p = n pq

Ejemplo

6. Supongamos el número de caras obtenidas al lanzar una moneda cuatro


veces.

 Calcular la media y la desviación estándar aplicando las dos fórmulas dadas


anteriormente.

 Calcular la Distribución de Probabilidad utilizando la Distribución Binomial, para


calcular la Esperanza Matemática y la Varianza

Solución

p = 1/2 q = 1/2 n=4

(X) P (x = a) X P(x) (x - E(x)) (x - E(x))2 (x - E(x))2  P(x)

0
1
2
3
4
TOTAL (xP(x)) = [(x - E(x))2 P(x)]=

 = n p = 4  (1/2) = 2 = n pq = 4  (1 / 2)  (1 / 2) =1

68
Probabilidad y Estadística

Esto significa que aún cuando podemos obtener 0, 1, 2, 3 o 4 caras cuando se


lanzan 4 monedas, esperamos un promedio de 2 caras por lanzamiento si este
experimento se repite un número infinito de veces.

Además, dado que la desviación estándar es igual a 1, esperamos que en


promedio el número de caras de cada ensayo difiera de la media en 1 cara.

7. Un dado se lanza 180 veces. Determínese la media y la desviación estándar


del número de "seis" en éste experimento.

De acuerdo al ejemplo 6, supongamos ahora que nos interesa encontrar la


probabilidad de obtener 2 o más caras, es decir:

P (x  2) = P (x = 2) + P (x = 3) + P (x = 4)

 P (x  2) =?

Utilice la Distribución Binomial para calcular cada una de las probabilidades.


a
 n! 
F(a) = P (x  a) =     p x  q n  x
x0  x!( n  x )! 

 ¿Cuál es la probabilidad de obtener 3 o más caras?


 ¿Cuál es la probabilidad de obtener 2 o menos caras?
 ¿Cuál es la probabilidad de obtener entre 1 a tres caras?
Estos ejemplos se llaman Probabilidades Acumuladas.

8. Las observaciones durante un largo periodo muestran que un vendedor


determinado puede concluir una venta en una sola entrevista con una
probabilidad de 0.20. Supóngase que el vendedor entrevista a cuatro
prospectos (o compradores prospectivos)

a) ¿Cuál es la probabilidad de que exactamente dos prospectos compren el


producto?

b) ¿cuál es la probabilidad de que al menos dos prospectos compren el


artículo?

c) ¿cuál es la probabilidad de que todos los prospectos compren el artículo?

SOLUCIÓN
 n!  x n  x  4!  2 2
a. P ( X  2)    p q    ( 0.20) ( 0.80)  0.1536
 x! ( n  x )!   2! ( 2 )! 

69
Probabilidad y Estadística

b. P ( X  2 )  P ( X  2 )  P ( X  3)  P ( X  4 )
 1  P ( X  2)
 1  [ P ( X  0 )  P ( X  1)]
   
 1   4!   ( 0.20) 0 ( 0.80) 4   4!   ( 0.20 )( 0.80) 3
 0! ( 4 )!   1! ( 3)! 
 1  0.4090
 0.1808

 n!  x n  x   4!   ( 0.20) 4 ( 0.80) 0  0.0016


c. P ( X  4)    p q  
 x! ( n  x )!   4! ( 0 )! 

9. Consideremos el número posible de caras que se pueden obtener cuando


se lanzan cuatro monedas.

Teniendo en cuenta que la Variable puede tomar únicamente los valores 0,


1, 2, 3 o 4 entonces tenemos:

RESULTADOS NÚMERO DE CARAS PROBABILIDAD


(X) (x)
SSSS 0 1/16
SSSC 1 1/16
SSCS 1 1/16
SCSS 1 1/16
CSSS 1 1/16
SSCC 2 1/16
SCSC 2 1/16
SCCS 2 1/16
CSSC 2 1/16
CSCS 2 1/16
CCSS 2 1/16
SCCC 3 1/16
CSCC 3 1/16
CCSC 3 1/16
CCCS 3 1/16
CCCC 4 1/16

En resumen:

70
Probabilidad y Estadística

X P(x = a) P(x  a) P(x  a)


0 1/16 1 1/16
1 4/16 15/16 5/16
2 6/16 11/16 11/16
3 4/16 5/16 15/16
4 1/16 1/16 1

Es importante destacar que las probabilidades de la columna 2 [P(x = a)] pueden


obtenerse indirectamente a partir de las probabilidades acumuladas de las
columnas 3 o 4. Así:

 La probabilidad de obtener exactamente 2 caras, es 6/16, se puede calcular a


partir de los valores de la columna 3, Así:

P (x  2) = P (x = 2) + P (x = 3) + P (x = 4) (A)
P (x  3) = P (x = 3) + P (x = 4) (B)
_______________________________________ Restando A - B
P (x  2) - P (x  3) = P (x = 2)

P (x = 2) = P (x  2) - P (x  3) = 11/16 - 5/16

= 6/16 (Tal como se puede apreciar en la tabla en la columna 2)

 La probabilidad de obtener exactamente 2 caras, es 6/16, se puede también


calcular a partir de los valores de la columna 4, Así:
P (x  2) = P (x = 2) + P (x = 1) + P (x = 0) (A)
P (x  1) = P (x = 1) + P (x = 0) (B)
_______________________________________ Restando A - B
P (x  2) - P (x  1) = P (x = 2)

P (x = 2) = P (x 2) - P (x  1) = 11/16 - 5/16

= 6/16 (Tal como se puede apreciar en la tabla en la columna 2)

TABLAS DE DISTRIBUCIÓN BINOMIAL ACUMULADA

Supongamos que queremos determinar la probabilidad de obtener 47 o más caras


en 100 lanzamientos de una moneda

n = 100 p = 1/2

P(x  47) = P(x = 47) + P(x = 48) +… + P(x = 100)

71
Probabilidad y Estadística

Como ustedes pueden haberlo notado, el uso de la fórmula Binomial en este caso
involucra la realización de muchos cálculos.

Por lo tanto, se han calculado probabilidades acumuladas y se han tabulado para


valores seleccionados de n y valores de p, que van de 0.01 al 0.99.

 Para cada valor que corresponde a la probabilidad de obtener x o más, es decir,


P(x  a).

Ejemplo

Para n = 4 y p = 0,23

Encontrar:

a) P (x  2) b) P (x = 0) c) P (x  3) d) P (x = 2) e) P (x  2)

 Para cada valor que corresponde a la probabilidad de obtener x o menos, es


decir, P(x  a).

Ejemplo

Para n = 4 y p = 0,73

Encontrar:

a) P (x  2) b) P (x = 0) c) P (x  3) d) P (x = 2) e) P (x  2)

EJERCICIOS

1. Dada la Distribución Binomial con p = 0.26 y n = 7, utilice la tabla de


Distribución Binomial Acumulada para determinar:

a) P(x 4) b) P(x = 4)

2. Dada la Distribución Binomial con p = 0.37 y n = 8, utilice la tabla de


Distribución Binomial Acumulada para determinar:

a) P(x 3) b) P(x = 0) c) P (x 3) d) P(x = 3)

72
Probabilidad y Estadística

3. Dada la Distribución Binomial con p = 0.84 y n = 9, utilice la tabla de


Distribución Binomial Acumulada para determinar:

a) P(x 7) b) P(x = 7) c) P (x5) d) P(x = 5)

4. Dada la Distribución Binomial con p = 0.70 y n =20, utilice la tabla de


Distribución Binomial Acumulada para determinar:

a) P(x = 0) b) P(x = 12) c) P (x 12) d) P(x 12)

FORMAS PARA UTILIZAR ESTAS TABLAS DE LA BINOMIAL

a) P(X  K) = se busca directamente en la tabla; el valor de x se


encuentra en la parte derecha y el valor de p en la parte inferior.
b) P(X = K) = P(X  K) - P(X  K-1)
c) P(X  K) = 1 - P(X  K-1)
d) P(X  K) = P(X  K-1)
e) P(X  K) = 1 - P(X  K)
f) P(X = 0) = 1 - p(X  1)

DISTRIBUCION DE POISSON

DEFINICION

 Son aquellos fenómenos aleatorios que describen fenómenos cuyos eventos


se presentan como resultados al azar en un intervalo de tiempo dado, en una
región específica conocida o en el espacio.

 La distribución de Poisson se utiliza como modelo para describir distribuciones


de probabilidad de sucesos tales como:

 El número de llamadas telefónicas recibidas en un conmutador cada minuto


 El número de accidentes de tránsito en un periodo de tiempo dado.
 El número de personas que llegan en una estación (taquilla, caja
registradora etc.) a solicitar un servicio
 El número de leucocitos en una muestra de sangre

La distribución de Poisson se caracteriza por:

73
Probabilidad y Estadística

 Sus respuestas están orientadas a darle solución a problemas que se refieren


al número de éxitos esperados por unidad de tiempo, espacio etc.

 Una variable con distribución de Poisson debe tener la estructura o responder


a interrogantes mediante el siguiente planteamiento:

X = El número de veces que ocurre un suceso en unidad de tiempo o espacio.

La variable aleatoria de Poisson X representa el número de ocurrencias del evento


en un intervalo de tiempo, en una región específica o en el espacio.

La distribución de la V.A. X La llamamos distribución e Poisson. Una forma de


obtener la distribución de Poisson es tomando el límite de la distribución Binomial
cuando n   de tal manera que el producto n*p permanezca constante, esto
significa que p  0 porque de lo contrario n*p no sería constante. Así que:

 x
 n  x n x e  
lim xp q  x! x0,12., e2.718 ,

 pn 0 
Donde   n * p es el parámetro del cual depende la Distribución de Poisson
que presentaremos con P (x; µ).

Por lo tanto, la FUNCION DE PROBABILIDAD de la V.A de POISSON X es:

e    x
f  x;   
x!

Y la función de distribución de X es:


x e    x
F  x   P X  x   
X 0 x!

74
Probabilidad y Estadística

Esta función esta tabulada para diferentes valores de µ y en la misma forma como
en la tabla de la Binomial encontramos las probabilidades acumuladas para los
diferentes valores de x.

En un experimento de Poisson la probabilidad de obtener exactamente x éxitos,


designado P X  x  , es la FUNCION DE PROBABILIDAD
 x
e 
f  x;    P  X  x   x  0. 1, 2, ...
x!
µ= Numero promedio de éxitos en intervalo de tiempo dado.
e= 2.71828… es la base del sistema de logaritmos naturales

EJEMPLO

 El número promedio de demandas presentadas a una compañía de seguros


es de 2 demandas por días. Cuál es la probabilidad de que en un día
cualquiera:

 Se presente exactamente una demanda.


 No se presente ninguna demanda.
 Se presente exactamente 3 demandas.

Solución
 x  e 
a) Tenemos que P ( X  x )  y conocemos que
x!
 2 (Promediode demandaspor dia)
x1 (Numerode demandaspresentada
s)
(Promedio de demandas por día)
x = 1 (número de demandas presentadas), entonces:

(2) 2  (2.71828) 2
P( X  1)   0.27067
1!
b) Conocemos:   2 y x=0

(2) 0  (2.71828) 2
P ( X  0)   0.13534
0!

c) Conocemos: 2 y x=3

( 2 ) 3  ( 2.71828 ) 2
P ( X  3)   0.18045
3!

TABLAS DE DISTRIBUCION DE POISON ACUMULADAS

75
Probabilidad y Estadística

 Las probabilidades de Poisson acumuladas han sido calculadas y tabuladas


para valores de µ entre 0.1 y 10.
 El valor de µ se encuentra en la columna izquierda de la tabla.
 El valor de x se encuentra en la parte superior de la tabla.
 La probabilidad en cada cuadro corresponde a la probabilidad de obtener x
o menos, es decir, P(X  x).

EJEMPLOS DE TABLAS DE DISTRIBUCION DE POISSON

1. Un vendedor de automóviles vende un promedio de 2.5 vehículos por día.


Utilizando la tabal determine si la Probabilidad de que un día cualquiera
venda:

 Por lo menos 4 vehículos.


 Exactamente 4 vehículos.

Solución:

a.
P( X  x) aparecedirectamen
te enla tabla
P ( X  4 )  0.8912

b.

( 2.5) 4  ( 2.71828)  ( 2.5 )


P ( X  4)   0.1336 buscandoenla tablatenemosque :
4!
P ( X  4 )  P ( X  4 )  P ( X  3)
 0.8912  0.7576
 0.1336

EJEMPLOS DE TABLAS DE DISTRIBUCION DE POISSON

1. El número de promedio de accidentes de tránsito que ocurren en cierta carretera


en días laborables entre las 7 y las 8 de la mañana es de 0.7 accidentes por
hora. Utilícese la tabla para determinar la probabilidad de que ocurra más de 2
accidentes en esa carretera entre las 7 y las 8 de la mañana.

Solución:

µ=0.7
P( X > 2) = 1 - P(X  2) = 1 - 0.9659 = 0.0345

APROXIMACION DE POISSON A LA DISTRIBUCION BINOMIAL

76
Probabilidad y Estadística

La aproximación de las probabilidades Binomiales mediante las aproximaciones


de Poisson, se realiza cuando p se acerca a cero y el valor de n se hace muy
grande, es decir:
p  0,05 y n  20
 Consideraos una distribución Binomial con p=0.02 y n=100; supongamos
que nos interesa calcular la probabilidad de que x=3 utilizando la formula
Binomial, podemos encontrar esta probabilidad exacta en la forma:

100!
P ( X  3)  (0.02) 3  (0.98) 2  0.1825
3!97!

Como usted puede notar, en e uso de esta fórmula Binomial en este caso, requiere
de cálculos tediosos.

APROXIMACIÓN

 Cuando P es cercana a cero (0) y n es bastante grande (como el ejemplo


anterior), la formula Binomial puede aproximarse mediante la distribución de
Poisson con = n*p de la siguiente forma: = n*p =(100)(0.02)=2 =2
Entonces la probabilidad de X=3 es:

 x  e   (2) 3  (2.71828) 2
P( X  3)    0.1805
x! 3!

El cual es aproximado al resultado encontrado usando la distribución Binomial.

CONCLUSIÓN

 Se puede decir que la aproximación de las probabilidades binomiales


mediante las probabilidades de Poisson, mejora a medida que p se acerca
a cero y el valor de n se hace más grande. Esto quiere decir que la
aproximación se considera apropiada cuando p0.05 y n20.

EJEMPLO DE APROXIMACIÓN DE POISSON A LA DISTRIBUCION BINOMIAL

 Una maquina produce ciertos artículos con un promedio de 2% de artículos


defectuosos en una muestra aleatoria de 75 artículos. ¿Cuál es la
probabilidad de obtener exactamente 3 artículos defectuosos?.

Solución:

77
Probabilidad y Estadística

Se trata de una distribución Binomial con p = 0.02 y n = 75 dado que se


cumplen las condiciones anteriores, utilizamos la distribución de Poisson.

  n  p  (75) * (0.02)  1.5

Buscando en la tabla tenemos que:

P( X  3)  P ( X  3)  P ( X  2)  0.9344  0.8088  0.1256

FORMAS PARA UTILIZAR LAS TABLAS DE POISSON

a) P(X  K) = se busca directamente en la tabla


b) P(X  K) = 1 - P(X  K-1)
c) P(X = K) = P(X  K) - P(X  K-1)

DISTRIBUCIÓN HIPERGEOMÉTRICA

Los experimentos que tienen este tipo de distribución tienen las siguientes
características:
a) Al realizar un experimento con este tipo de distribución, se esperan dos tipos
de resultados.
b) Las probabilidades asociadas a cada uno de los resultados no son constantes.
c) Cada ensayo o repetición del experimento no es independiente de los demás.
d) El número de repeticiones del experimento (n) es constante.

En estadística la Distribución hipergeométrica es una distribución de


probabilidad discreta con tres parámetros discretos N, d y n cuya función de
probabilidad es:

78
Probabilidad y Estadística

d   N  d 
  
 x  n  x 
(XP  x) 
N
 
n 
a
Aquí,   se refiere al coeficiente binomial, o al número de combinaciones

b 
posibles al seleccionar b elementos de un total a.

Esta distribución se refiere a un espacio muestra donde hay elementos de 2 tipos


posibles. Indica la probabilidad de obtener un número de objetos x de uno de los
tipos, al sacar una muestra de tamaño n, de un total de N objetos, de los cuales d
son del tipo requerido.
El valor esperado de una variable aleatoria X de distribución hipergeométrica es

E ( X )   n    d 
N
Y su varianza

79
Probabilidad y Estadística

 2  VAR ( X )   N  n    n    d   1  d 
 N 1  N  N

La distribución Hipergeométrica es el modelo que se aplica en experimentos del


siguiente tipo:

En una urna hay bolas de dos colores (blancas y negras), ¿cuál es la


probabilidad de que al sacar 2 bolas las dos sean blancas?

Son experimentos donde, al igual que en la distribución binomial, en cada ensayo


hay tan sólo dos posibles resultados: o sale blanca o no sale. Pero se diferencia
de la distribución binomial en que los distintos ensayos son dependientes entre
sí:

Si en una urna con 5 bolas blancas y 3 negras en un primer ensayo


saco una bola blanca, en el segundo ensayo hay una bola blanca
menos por lo que las probabilidades son diferentes (hay
dependencia entre los distintos ensayos).

La distribución Hipergeométrica sigue el siguiente modelo:

80
Probabilidad y Estadística

 N1   N 2 
  
 x   n  x
xf )(  P(X  x) 
N
 
n 
Donde:

 N1  N1 !
 
x  !( 1xNx )!
 N 2  N2 !
 
nx (n )! Nx 2 (( n x)!
81
Probabilidad y Estadística

 N  N!
 
n  n!( nN )!
Vamos a tratar de explicarlo:

N: es el número total de bolas en la urna

N1: es el número total de bolas blancas

N2: es el número total de bolas negras

x: es el número de bolas blancas cuya probabilidad se está


calculando

n: es el número de ensayos que se realiza

Ejemplos

1. En una urna hay 7 bolas blancas y 5 negras. Se sacan 4 bolas ¿Cuál es la


probabilidad de que 3 sean blancas?
Entonces:

N = 12; N1 = 7; N2 = 5; k = 3; n = 4

Si aplicamos el modelo:

82
Probabilidad y Estadística

7  5
  
 3  1 
( XP 3)   0.35
 12 
 
4 
Por lo tanto, P (x = 3) = 0,3535. Es decir, la probabilidad de sacar 3 bolas blancas
es del 35,3%.

Pero este modelo no sólo se utiliza con experimentos con bolas, sino que también
se aplica con experimentos similares:

2. En una fiesta hay 20 personas: 14 casadas y 6 solteras. Se eligen 3 personas al


azar ¿Cuál es la probabilidad de que las 3 sean solteras?

83
Probabilidad y Estadística

 6   14 
  
3  0 
P(X 3) 0. 175
20
 
3 
Por lo tanto, P (x = 3) = 0,0175. Es decir, la probabilidad de que las 3 personas
sean solteras es tan sólo del 1,75%.

3. En una urna o recipiente hay un total de N objetos, entre los cuales hay una
cantidad a de objetos que son defectuosos, si se seleccionan de esta urna n
objetos al azar, y sin reemplazo, ¿cuál es la probabilidad de obtener x objetos
defectuosos?
Solución:

Luego, la probabilidad de obtener x objetos defectuosos de entre n seleccionados

84
Probabilidad y Estadística

a  N  a
  
 x n  x 
P(X  x)
N
 
n 
C x * N a C n x
p( x ,n )  a

N Cn
donde:

a  aN 
  
x   xn 
85
Probabilidad y Estadística

son las muestras o la cantidad de maneras de seleccionar de los n objetos en

N
donde hay x que son defectuosos y n-x buenos. Y    
n 
son todas las muestras posibles de seleccionar de n objetos tomadas de entre los
N objetos en total, que es igual al espacio muestral

 Considerando que en la urna hay un total de 10 objetos, 3 de los cuales son


defectuosos, si se seleccionan 4 objetos al azar, ¿cuál es la probabilidad de
que 2 sean defectuosos?

Solución:

N = 10 objetos en total
a = 3 objetos defectuosos
n = 4 objetos seleccionados en muestra
x = 2 objetos defectuosos deseados en la muestra

86
Probabilidad y Estadística

 3   10  3 
  
( XP 2) 2 42  ?
 10 
 
4 
Es la probabilidad asociada a cada muestra de 4 objetos que se seleccionaron,
con lo que se demuestra que las probabilidades no son constantes

 Para evitar que lo descubran en la aduana, un viajero ha colocado 6 tabletas


de narcótico en una botella que contiene 9 píldoras de vitamina que son
similares en apariencia. Si el oficial de la aduana selecciona 3 tabletas
aleatoriamente para analizarlas, a) ¿Cuál es la probabilidad de que el viajero
sea arrestado por posesión de narcóticos?, b) ¿Cuál es la probabilidad de que
no sea arrestado por posesión de narcóticos?.

Solución:

a) N = 9+6 =15 total de tabletas


a = 6 tabletas de narcótico
n = 3 tabletas seleccionadas
x = 0, 1, 2, o 3 tabletas de narcótico
X= variable que nos indica el número de tabletas de narcótico que se puede
encontrar al seleccionar las 3 tabletas

87
Probabilidad y Estadística

p(viajero sea arrestado por posesión de narcóticos) = p(de que entre las 3 tabletas
seleccionadas haya 1 o más tabletas de narcótico)

88
Probabilidad y Estadística

 6 9  6  9  6 9
  
1 2  1 3 0
P(X12 3) 0.8153
1 5 
 
3  89
Probabilidad y Estadística

Otra forma de resolver;

p(el viajero sea arrestado por posesión de narcóticos) = 1 – p(de que entre las
tabletas seleccionadas no haya una sola de narcótico)

C0* 9 C3
 1  p( x  0; n  3 )  1  6

15 C3

( 1 )( 84 )
 1  0.184615  0.815385
455
b) p(no sea arrestado por posesión de narcóticos)

C0* 9 C3
 p( x  0; n  3 )  6

15 C3
( 1 )( 84 )
  0.184615
455

 De un lote de 10 bombillas, se seleccionan 4 al azar y se prueban. Si el lote


contiene 3 bombillas defectuosas que no encienden, ¿cuál es la probabilidad
de que

a) las 4 enciendan
b) al menos 2 no enciendan?

Solución:
a)
N = 10 bombillas en total
N1 = 7 bombillas que encienden
N2= 3 bombillas que no encienden
n = 4 bombillas seleccionadas
x = 0, 1, 2, 3 o 4 Posibles bombillas que encienden

X= Variable que nos define el número de bombillas que encienden entre la


muestra que se prueba

C4* 3 C0 ( 35 )( 1 ) 35
p( x  4; n  4 )  7
   0.16667
10 C4 210 210

b) N = 10 proyectiles en total
a = 3 proyectiles que no explotan

90
Probabilidad y Estadística

n = 4 proyectiles seleccionados
x = 0, 1, 2 o 3 proyectiles que no explotan

p(al menos 2 no exploten) = p( 2 o más proyectiles no exploten) = p(x = 2 o 3; n=4)


=

C2* 7 C2  3 C3* 7 C1 ( 3 )( 21 )  ( 1 )( 7 ) 63  7 70
 3
    0.333333
10 C4 210 210 210

 ¿Cuál es la probabilidad de que una mesera se rehúse a servir bebidas


alcohólicas únicamente a dos menores de edad si verifica aleatoriamente solo 5
identificaciones de entre 9 estudiantes, de los cuales 4 no tienen la edad
suficiente?, ¿Cúal es la probabilidad de que como máximo 2 de las
identificaciones pertenezcan a menores de edad?
Solución:

a) N = 9 total de estudiantes
a = 4 estudiantes menores de edad
n = 5 identificaciones seleccionadas
x = variable que nos define el número de identificaciones que pertenecen a
personas menores de edad
x = 0, 1, 2, 3 o 4 identificaciones de personas menores de edad

4 C2 * 5 C3 ( 3 )( 10 )
p( x  2,n  5 )    0.238095
9 C5 126

b) N = 9 total de estudiantes
a = 4 estudiantes menores de edad
n = 5 identificaciones seleccionadas
x = variable que nos define el número de identificaciones que pertenecen a
personas menores de edad
x = 0, 1, 2, 3 o 4 identificaciones de personas menores de edad

C0* 5 C5  4 C1* 5 C4  4 C2* 5 C3 ( 1 )( 1 )  ( 4 )( 5 )  ( 6 )( 10 )


p( x  0,1,2; n  5 )  4
 
9 C5 126

1  20  60 81
   0.64286
126 126

91
Probabilidad y Estadística

EJERCICIOS DE DISTRIBUCIÓN BINOMIAL

1. Se lanza una moneda cuatro veces. Calcular la probabilidad de que salgan


más caras que sellos.

2. Un agente de seguros vende pólizas a cinco personas de la misma edad y


que disfrutan de buena salud. Según las tablas actuales, la probabilidad de
que una persona en estas condiciones viva 30 años o más es 2/3. Hállese la
probabilidad de que, transcurridos 30 años, vivan:

a. Las cinco personas.


b. Al menos tres personas.
c. Exactamente dos personas

3. Si de seis a siete de la tarde se admite que un número de teléfono de cada


cinco está comunicando, ¿cuál es la probabilidad de que, cuando se
marquen 10 números de teléfono elegidos al azar, sólo comuniquen dos?

4. La probabilidad de que un hombre acierte en el blanco es 1/4. Si dispara 10


veces ¿cuál es la probabilidad de que acierte exactamente en tres
ocasiones? ¿Cuál es la probabilidad de que acierte por lo menos en una
ocasión?

92
Probabilidad y Estadística

5. En una urna hay 30 bolas, 10 rojas y el resto blancas. Se elige una bola al
azar y se anota si es roja; el proceso se repite, devolviendo la bola, 10 veces.
Calcular la media y la desviación típica.

6. La última novela de un autor ha tenido un gran éxito, hasta el punto de que el


80% de los lectores ya la han leído. Un grupo de 4 amigos son aficionados a
la lectura:

a. ¿Cuál es la probabilidad de que en el grupo hayan leído la novela 2


personas?
b. ¿Y al menos 2?

7. Se lanza una moneda cuatro veces. Calcular la probabilidad de que salgan


más caras que sellos.

8. Si de seis a siete de la tarde se admite que un número de teléfono de cada


cinco está comunicando, ¿cuál es la probabilidad de que, cuando se
marquen 10 números de teléfono elegidos al azar, sólo comuniquen dos?

9. La probabilidad de que un hombre acierte en el blanco es 1/4. Si dispara 10


veces ¿cuál es la probabilidad de que acierte exactamente en tres
ocasiones? ¿Cuál es la probabilidad de que acierte por lo menos en una
ocasión?

10. En unas pruebas de alcoholemia se ha observado que el 5% de los


conductores controlados dan positivo en la prueba y que el 10% de los
conductores controlados no llevan aprovechado el cinturón de seguridad.
También se ha observado que las dos infracciones son independientes.

11. Un guardia de tráfico detiene cinco conductores al azar. Si tenemos en


cuenta que el número de conductores es suficientemente importante como
para estimar que la proporción de infractores no varía al hacer la selección:

a. Determinar la probabilidad a de que exactamente tres


conductores hayan cometido alguna de las dos infracciones.
b. Determine la probabilidad de que al menos uno de los
conductores controlados haya cometido alguna de las dos infracciones.

12. La probabilidad de que un artículo producido por una fabrica sea defectuoso
es p 0.002. Se envió un cargamento de 10.000 artículos a unos almacenes.
Hallar el número esperado de artículos defectuosos, la varianza y la
desviación típica.

93
Probabilidad y Estadística

13. En una urna hay 30 bolas, 10 rojas y el resto blancas. Se elige una bola al
azar y se anota si es roja; el proceso se repite, devolviendo la bola, 10 veces.
Calcular la media y la desviación típica.

14. Un laboratorio afirma que una droga causa efectos secundarios en una
proporción de 3 de cada 100 pacientes. Para contrastar esta afirmación, otro
laboratorio elige al azar a 5 pacientes a los que aplica la droga. ¿Cuál es la
probabilidad de los siguientes sucesos:

a. Ningún paciente tenga efectos secundarios.


b. Al menos dos tengan efectos secundarios.
c. ¿Cuál es el número medio de pacientes que espera el laboratorio que
sufran efectos secundarios si elige 100 pacientes al azar?

SOLUCIÓN

1. Se lanza una moneda cuatro veces. Calcular la probabilidad de que salgan


más caras que sellos.

B (4, 0.5), p = 0.5, q = 0.5

2. Hallar la probabilidad de que, transcurridos 30 años, vivan:

a. Las cinco personas.


B (5, 2/3) p = 2/3 q = 1/3

b. Al menos tres personas.

c. Exactamente dos personas

94
Probabilidad y Estadística

3. ¿cuál es la probabilidad de que, cuando se marquen 10 números de teléfono


elegidos al azar, sólo comuniquen dos?

B(10, 1/5)p = 1/5q = 4/5

4. ¿cuál es la probabilidad de que acierte exactamente en tres ocasiones?


¿Cuál es la probabilidad de que acierte por lo menos en una ocasión?

B(10, 1/4) p = 1/4q = 3/4

5. En una urna hay 30 bolas, 10 rojas y el resto blancas. Se elige una bola al
azar y se anota si es roja; el proceso se repite, devolviendo la bola, 10 veces.
Calcular la media y la desviación típica.

B(10, 1/3) p = 1/3q = 2/3

6. Un gru p o de 4 a mi g o s so n a fi ci o n ad o s a l a l e ctu ra :

a. ¿Cuál es la probabilidad de que en el grupo hayan leido la novela 2


personas?

B (4, 0.2) p = 0.8 q = 0.2

95
Probabilidad y Estadística

b . ¿Y a l men o s 2?

7. Se lanza una moneda cuatro veces. Calcular la probabilidad de que salgan


más caras que sellos.

B (4, 0.5) p = 0.5q = 0.5

8. ¿cuál es la probabilidad de que, cuando se marquen 10 números de teléfono


elegidos al azar, sólo comuniquen dos?

B(10, 1/5)p = 1/5q = 4/5

P rob lemas resuel to s d e la d istrib uci ón b inomial

96
Probabilidad y Estadística

P rob lemas resuel to s d e la d istrib uci ón b inomial

La pro b ab i li d a d de qu e u n h o mb re aci e rte e n el bl a n co


e s 1 /4 . Si d i spa ra 1 0 ve ce s ¿cu á l e s la pro b ab i li d a d d e qu e
a ci e rte e xa cta me n te en tre s o ca si o n e s? ¿C u ál es la
p ro b a bi l id a d d e qu e aci e rte p o r lo me n o s e n u na oca si ón ?

B(10 , 1 /4 ) p = 1 /4 q = 3 /4

P rob lemas resuel to s d e la d istrib uci ón b inomial

En un a s p ru eb a s de a l coh o le mi a se h a o b se rva d o qu e el
5% de l o s co nd u cto re s co n tro la d o s d an po si ti vo en la pru e ba
y qu e el 10 % de l o s co n d u cto re s co n trol a d o s no ll e van
ap ro ve cha d o el cin tu ró n de se gu ri da d . Ta mb i é n se ha
ob se rva do qu e l a s do s in fra cci on e s so n i n de p e nd i en te s.

97
Probabilidad y Estadística

Un gu a rdi a d e trá fi co p a ra cin co co n du cto re s al a za r. Si


te ne mo s en cu e n ta qu e el n ú me ro de co n du cto re s es
su fi ci e n te men te i mpo rta n te co mo p a ra esti ma r qu e la
p ro p o rci ó n d e i n fra cto re s no va ría al ha ce r l a sel e cció n .

1. De te rmi na r la pro b ab i li d a d a de qu e e xa cta men te tre s


con d u cto re s ha ya n co me ti do al g un a d e l a s do s in fra cci on e s.

2. D e te rmi n e la p rob a bi l i da d de q ue a l me n o s un o de l os
con d u cto re s con tro l a do s ha ya co me ti do al g un a d e l a s d o s
in fra cci on e s.

P rob lemas resuel to s d e la d istrib uci ón b inomial

98
Probabilidad y Estadística

La pro b ab i li d a d de qu e u n a rtícu l o p rod u ci do po r u n a


fa b ri ca sea d e fe ctu o so e s p 0 .0 0 2 . Se e n vió u n ca rg a men to
de 10 .0 0 0 a rtícu l o s a u no s al ma cen e s. Ha ll a r el n ú me ro
e sp e ra do de a rtícu l o s de fe ctu o so s, la va ri an za y la
de svi a ci ó n típ i ca .

P rob lemas resuel to s d e la d istrib uci ón b inomial

En un a u rn a h a y 30 bo l a s, 1 0 ro ja s y el re sto bl a n ca s. Se
el i ge un a b ol a al a za r y se an o ta si e s ro ja ; e l p ro ce so se
rep i te , de vo l vi e n do la b o la , 10 ve ce s. Ca l cul a r la me di a y la
de svi a ci ó n típ i ca .

B(10 , 1 /3 ) p = 1 /3 q = 2 /3

99
Probabilidad y Estadística

P rob lemas resuel to s d e la d istrib uci ón b inomial

Un l ab o ra to ri o a fi rma q u e u n a dro g a ca u sa d e e fe cto s


se cu n d a ri o s en u na p rop o rci ón d e 3 d e ca d a 10 0 pa ci en te s.
P a ra co n tra sta r esta a fi rma ci ó n , o tro la b o ra to ri o el i ge a l a za r
a 5 pa ci e n te s a l o s qu e a p li ca l a d rog a . ¿C uá l e s l a
p ro b a bi l id a d d e lo s si g u ie n te s su ce so s?

1. Ni n gú n p a cie n te ten g a e fe cto s se cu nd a ri o s.

B(10 0 , 0 .03 ) p = 0 .0 3 q = 0 .9 7

2. Al men o s d o s te n g an e fe cto s se cu n d a ri o s.

3. ¿C uá l e s e l nú me ro me d io d e pa cie n te s q ue e spe ra
la b o ra to ri o que su fran e fe cto s se cun d a ri o s si el ig e 100
pa ci en te s al aza r?

100
Probabilidad y Estadística

6.4.12 Distribución de Poisson (o de los


sucesos raros)
Una v.a. X posee una ley de distribución de probabilidades del tipo Poisson cuando

Este tipo de leyes se aplican a sucesos con probabilidad muy baja de ocurrir, obteniéndose

como la distribución límite de una sucesión de variable binomiales, , donde

,y (por tanto ).

La demostración de esto consiste en

101
Probabilidad y Estadística

En general utilizaremos la distribución de Poisson como aproximación de experimentos


binomiales donde el número de pruebas es muy alto, pero la probabilidad de éxito muy
baja. A veces se suele utilizar como criterio de aproximación:

La ley de Poisson la podemos encontrar tabulada en la tabla número 2, para ciertos valores
usuales de .

La función característica de es

de lo que se deduce que valor esperado y varianza coinciden

6.4.12.1 Ejemplo

102
Probabilidad y Estadística

Cierta enfermedad tiene una probabilidad muy baja de ocurrir, p=1/100.000. Calcular la
probabilidad de que en una ciudad con 500.000 habitantes haya más de 3 personas con
dicha enfermedad. Calcular el número esperado de habitantes que la padecen.
Solución: Si consideramos la v.a. X que contabiliza el número de personas que padecen la
enfermedad, es claro que sigue un modelo binomial, pero que puede ser muy bien
aproximado por un modelo de Poisson, de modo que

  n  p  (500.000) * 1 
 5




100000  

Así el número esperado de personas que padecen la enfermedad es   5. Como
, existe una gran dispersión, y no sería extraño encontrar que en realidad hay
muchas más personas o menos que están enfermas. La probabilidad de que haya más de tres
personas enfermas es:

P( X  3)  1  P( X  3)  1  0.2650  0.735

Ejercicios resueltos de distribución binomial

103
Probabilidad y Estadística

VARIABLES ALEATORIAS CONTINUAS

Si en un experimento aleatorio a cada suceso aleatorio elemental le asignamos un valor


numérico obtenemos una variable aleatoria. Es decir, una variable que lleva asociada una
probabilidad. La probabilidad de un valor concreto de la variable es la probabilidad que
corresponde a los sucesos aleatorios elementales a los que hemos asignado ese valor
numérico.

Por ejemplo : En el experimento aleatorio "lanzar un dado" asignamos a cada cara del dado su valor
numérico (esta asignación aparece de forma natural). Así generamos una variable aleatoria que toma seis
valores, del 1 al 6 con igual probabilidad (1/6) cada uno de ellos. Pero, con este mismo experimento, podemos
generar otras variables aleatorias (no tan naturales) como puede ser : asignar el valor 1 a las caras que son

104
Probabilidad y Estadística

múltiplos de tres y el valor 0 a las que no lo son, apareciendo una variable aleatoria que tiene dos valores, el 1
con probabilidad 1/3 y el 0 con probabilidad 2/3.

Crear una variable aleatoria no tiene mucho sentido sino la vamos a utilizar en un
determinado contexto, por ejemplo, podemos utilizar la segunda variable aleatoria que
hemos creado para apostar si sale o no múltiplo de tres.

Resumiendo, una variable aleatoria se construye al atribuir un número (positivo, negativo o


cero) a cada uno de los sucesos aleatorios que forman el espacio muestral de un
experimento aleatorio. La probabilidad de cada valor de la variable es la probabilidad
conjunta de los sucesos que dan lugar a ese valor. Es decir, definimos una variable aleatoria
como una aplicación del espacio muestral  sobre el conjunto de los números reales R.

Según la amplitud del campo de variación de la función podemos distinguir : variables


aleatorias discretas y variables aleatorias continuas. De la misma forma que en estadística
descriptiva, una variable aleatoria es discreta si toma valores en un conjunto finito o infinito
numerable. Y una variable aleatoria es continua si puede tomar valores en un conjunto
infinito no numerable. Como ejemplo típico de variable aleatoria discreta tenemos la
distribución binomial, y como ejemplo típico de variable aleatoria continua vamos a ver
ahora la distribución normal.

Como hemos visto hay variables aleatorias que pueden tomar cualquier valor de un
intervalo real de la forma (a, b), (a, +), (-, b), (-, +) o uniones de ellos. A las
variables de este tipo se las denomina variables aleatorias continuas.

Por ejemplo : Supongamos que vamos a realizar un experimento aleatorio que consiste en seleccionar una
persona y apuntar su peso. Podemos crear una variable aleatoria cuyos valores sean el número de kilogramos
que pesa la persona observada. En este caso, el rango de valores posibles se extiende entre los límites
naturales, pero la continuidad de esta variable aleatoria radica en el carácter continuo de lo que medimos, el
peso, es decir, en el hecho de que entre dos valores posibles se podrían obtener infinitos valores intermedios,
también posibles si utilizáramos aparatos con suficiente precisión. Estos "infinitos" en el interior del rango de
la variable es lo que diferencia a las variables continuas de las discretas.

Sin entrar en profundidades, consideramos que una distribución de probabilidad es


cualquier mecanismo que nos ayuda a obtener las probabilidades de los valores de una
variable si es discreta, o las probabilidades de intervalos de la variable si es continua. Si la
variable aleatoria es discreta es posible asignar probabilidades a cada uno de los valores
puntuales de la variable. En contra, cuando es continua cada uno de los infinitos valores
posibles tendrá probabilidad cero y sólo podremos hablar de probabilidad dentro de
intervalos.

Distribuciones de probabilidad con variable aleatoria continua


Función de Distribución y Función de Densidad.

105
Probabilidad y Estadística

Si la variable aleatoria es continua hay infinitos valores posibles de la variable y entre cada
dos de ellos se podrían definir infinitos valores más. En estas condiciones, y como ya
hemos dicho, no es posible deducir la probabilidad de un valor puntual de la variable, como
se puede hacer en el caso de variables aleatorias discretas. Pero sí es posible calcular la
probabilidad acumulada hasta un cierto valor (función de distribución), más tarde podremos
analizar como cambia la probabilidad acumulada en cada punto (estos cambios no son
probabilidades sino otro concepto que denominamos densidad de probabilidad).

Como queremos definir los conceptos de función de densidad y de distribución para


variables aleatorias continuas, vamos a partir de la idea intuitiva de que tales funciones son
"modelos" de las distribuciones de frecuencias de la variable aleatoria considerada.

Ejemplo 1

Pretendemos observar la altura de un grupo de personas y vamos a seleccionar a una persona de forma
totalmente aleatoria. La probabilidad de que la altura de esa persona sea exactamente 1,62894635... m es cero.
Pero la probabilidad de que la altura de esa persona esté entre 1,62 m y 1,63 m tendrá un valor concreto y casi
con certeza que será mayor que la probabilidad de que esté entre 2,10 m y 2,11 m. Por tanto, la densidad de
probabilidad en el entorno de 1,625 m es mayor que la densidad de probabilidad en el entorno de 2,105 m. Sin
embargo, que el valor exacto 1,62894635 tenga probabilidad cero de ocurrir no implica que sea imposible
que ocurra. De hecho, cualquier persona que seleccionemos tendrá una altura concreta y exacta que tenía
probabilidad cero de suceder.

Ejemplo 2

Sea X la v.a. que describe la duración de los neumáticos de una determinada marca y modelo. Los valores de
una variable estadística continua siempre se consideran agrupados en intervalos de clase, luego no tiene
sentido plantearse la probabilidad de resultados "aislados" (como, por ejemplo, la probabilidad de que un
neumático dure, exactamente, 56.000 km , 235 m , 47 cm y 6 mm). En todo caso, esas probabilidades deben
valer cero. Pero sí podemos preguntarnos, por ejemplo, ¿cuál es la probabilidad de que un neumático dure
menos de 50.000 km? o ¿cuál es la probabilidad de que un neumático dure entre 60.000 y 70.000 km?.

Tanto en el ejemplo 1 como en el 2 si queremos hallar esas probabilidades tendremos que


recurrir a métodos empíricos y usar técnicas estadísticas : tomar una muestra, examinar y
anotar las frecuencias observadas. Entonces tomaremos como valor de la probabilidad de
un suceso s1 la frecuencia observada de éste : p(s1) = fr(s1).

Y así podemos construir un histograma de frecuencias relativas y un histograma de


frecuencias relativas acumuladas. En el primero, la fr(X  x) será la suma de las
frecuencias de todas las clases anteriores a x; lo que, geométricamente, es el área bajo la
curva de frecuencias entre el inicio de la gráfica y el valor x. La obtención de fr(X  x) en
la segunda gráfica es más rápido pues, fr(X  x) es la frecuencia acumulada del valor x y
se lee directamente de la gráfica.

106
Probabilidad y Estadística

A partir de una situación real con densidades de frecuencias se crea un modelo teórico con
asignación de probabilidades.

Sea X una variable aleatoria continua que toma valores en un intervalo [a, b]. Si
procedemos a dividir el intervalo cada vez en más partes el polígono de frecuencias
relativas (densidades de frecuencias) se va aproximando a una curva con un determinado
aspecto.

Una vez realizado este proceso de dividir sucesivamente el intervalo, las densidades de
frecuencias pasan a ser, en el límite, densidades de probabilidad.

La probabilidad de que la variable X tome los valores entre x0 y x0+h es P(x0 X
x0+h) y corresponde al área bajo la curva en el intervalo [x0 , x0+h]. La función
correspondiente a esta curva, y=f(x), la denominamos Función de densidad.

FUNCIÓN DE DENSIDAD

Una función y=f(x) es una función de densidad de una variable aleatoria continua si
cumple las siguientes condiciones :

FUNCIÓN DE DISTRIBUCIÓN

En general, la función de distribución de una variable aleatoria continua X es el modelo


teórico de la curva de frecuencias acumuladas que se espera obtener para X, y debe
cumplir, evidentemente, estas propiedades:

 Ser creciente
 Tomar valores de 0 a 1

Si X es una variable aleatoria continua con valores en un intervalo [a, b], entonces F(x) será
la probabilidad de que la variable X tome valores entre a y x. F(x)=P(a X  x).

107
Probabilidad y Estadística

Es decir, la función de distribución F(x) es una primitiva de la función de densidad f(x), o


dicho de otra forma, la función de densidad es la derivada de la función de distribución.

Indica la probabilidad de que la variable aleatoria continua X sea menor o igual que un
valor dado, es decir, proporciona la probabilidad acumulada hasta un determinado valor de
la variable.

PARÁMETROS DE UNA VARIABLE ALEATORIA CONTINUA

Por analogía con las definiciones de estos conceptos para variables aleatorias discretas, se
definen la esperanza matemática o media  , la varianza  y la desviación típica  de una
variable aleatoria continua de la siguiente forma :

TIPIFICACIÓN DE UNA VARIABLE ALEATORIA

Si X es una variable aleatoria de media  y desviación típica  , la variable Y=(X-)/


tiene de media 0 y de desviación típica 1, y se llama tipificada de X. Podemos decir que
mide la desviación de X respecto de su media, tomando como unidad la desviación típica
de X.

108
Probabilidad y Estadística

Variables aleatorias continuas


Si una variable discreta toma los valores x1, ..., xk, la proposición de la página afirma que
las probabilidad de que al hacer un experimento, X tome uno de esos valores es 1, de modo
que cada posible valor xi contribuye con una cantidad f(xi) al total:

Aun cuando la variable tomase un número infinito de valores, x1, x2, ..., no hay ningún
problema en comprobar que cada xi contribuye con una cantidad f(xi) al total de modo que

Cuando la variable es continua, no tiene sentido hacer una suma de las probabilidades de
cada uno de los términos en el sentido anterior, ya que el conjunto de valores que puede
tomar la variable es no numerable. En este caso, lo que generaliza de modo natural el

concepto de suma ( ) es el de integral ( ). Por otro lado, para variables continuas no

tiene interés hablar de la probabilidad de que , ya que esta debe de valer


siempre 0, para que la suma infinita no numerable de las probabilidades de todos los
valores de la variable no sea infinita.

De este modo es necesario introducir un nuevo concepto que sustituya en v.a. continuas, al
de función de probabilidad de una v.a. discreta. Este concepto es el de función de densidad

de una v.a. continua, que se define como una función integrable, que
verifica las dos propiedades siguientes:

109
Probabilidad y Estadística

y que además verifica que dado a<b, se tiene que

Figura: Función de densidad f. La probabilidad de un intervalo, es el área que existe entre la


función y el eje de abscisas.

5.6.0.1 Observación

Por ser f una función integrable, la probabilidad de un punto es nula:

110
Probabilidad y Estadística

y por ello al calcular la probabilidad de un intervalo no afectara nada el que este sea abierto
o cerrado por cualquiera de sus extremos, pues estos son puntos y por tanto de probabilidad
nula:

La función de distribución de la v.a. continua, F, se define de modo que dado ,


F(x) es la probabilidad de que X sea menor o igual que x, es decir

Figura: Función de distribución F, calculada a partir de la función de densidad f.

5.6.0.2 Observación

111
Probabilidad y Estadística

Dado un intervalo de la forma (a,b], tenemos que

Es decir, la cantidad F(b) - F(a) representa la masa de probabilidad extendida a lo largo de


dicho intervalo. Si dividimos esta cantidad por la longitud del intervalo,

tenemos la masa media de probabilidad por unidad de longitud en (a,b], es decir, su


densidad media de probabilidad. Si hacemos tender a hacia b, , la cantidad

es la densidad de probabilidad del punto b (que como hemos mencionado no se ha de


confundir con la probabilidad de b).

5.6.0.3 Proposición

Distribuciones continuas La función de distribución F, es no decreciente

Además, es una función absolutamente continua que verifica:

112
Probabilidad y Estadística

Demostración

Los sucesos

son mutuamente exclusivos, siendo su unión el suceso . Por tanto

El resto es evidente pues por la relación (5.1)

113
Probabilidad y Estadística

y por otro lado

114
Probabilidad y Estadística

VARIABLES. ALEATORIAS. CONTINUAS.


ESPECIALES:
25.Las bombillas eléctricas de una fabrica han presentado una
duración

media de

1000 hrs. El fabricante garantiza una duración mayor de 900 hrs,


en caso contrario devuelve la bombilla perdiendo Q 0.30 y gana
Q 0.20 por bombilla que vende cumpliendo la garantía. De la
producción de un día, que es de 1000 bombillas prueba 1.
Determine:

a) ¿La probabilidad de que cumpla la garantía.

b) ¿Que utilidad puede esperar en la producción diaria de 1000


bombillas.

SOLUCION:

Por los datos que nos dan el problema se resuelve por la distribución
exponencial por lo que debemos de aclarar primero que es cada dato
que nos dan:

X = duración de las bombillas eléctricas con una desviación exponencial.

= 1000 = E (x)

= 1 / E (x) = 1/1000

Se garantiza una duración mayor de 900 hrs.

P( t < 900) entonces pierde Q 0.30

P( t > 900) entonces gana Q 0.20

N = 1000 bombillas de la producción de un día.

Por lo que nuestra formula exponencial es:

-t

115
Probabilidad y Estadística

P( t < 900) = 1 - e = 1 - e -(1/1000)*900 = 1- 0.4065 = 0.5934

- t --
P( t > 900) = e = e -(1/1000)*900 = 0.4065

a) La probabilidad que se cumpla la garantía es 0.4065

Sea U la utilidad de la empresa por la ganancia o pago de garantía.

b) por lo que la utilidad esperada para la producción.

en 1000 bombillas = -97.2

26.Suponer que se obtienen barras de chocolate de 1/2 libra,


con una maquina a partir de pedazos más grandes. Si se supone
que los pedazos más grandes son de densidad uniforme y si la
longitud de la barra es exactamente 3 3/8 de pulgada, entonces
la barra pesa 1/2 libras.

Suponga que la longitud real X de una barra tiene la misma


probabilidad de estar comprendida en el intervalo 3.35 y 3.45
pulgadas. Suponiendo que las longitudes cortadas por esta
maquina son independientes; Cuál es la probabilidad de que de 4
barras determinadas dos pesen menos de 1/2 libras y 2 mas de
1/2 libras.

SOLUCION:

Primero debemos de tomar encuentra los datos que nos dan para
entender que es lo que se nos esta preguntando.

Si la longitud de la barra es 3 3/8 pulgadas, pesa 1/2 libras, entonces;

X = longitud de la barra, que tiene una distribución uniforme entre

3.35 X 3.45 pulg.

116
Probabilidad y Estadística

Ya teniendo claro por que forma se va a trabajar procedemos a calcular


las probabilidades que nos piden:
P( pesen menos de 1/2 libras) = P( mide menos de 3.375 pulg.)

P( pesen mas de 1/2 libras) = 1 - P( pesen menos de 1/2 libras)

P( X 3.375) = (3.375 - 3.35)10

P( X 3.375) = 0.25

P( X > 3.375) = 0.75

Suponiendo que las longitudes cortadas son independientes entonces;

Si n = 4 barras la probabilidad de que 2 pesen menos de 1/2 libras y 2


pesen mas de 1/2 libras es:

Y= numero de barras que pesan menos de 1/2 libras

P(Y=2) = 4 C 2 * 0.25 2 * 0.75 2 = 0.2109

27.Suponga que X, el largo de una varilla, tiene una distribución


normal con media 10 pulgadas y variancia 4 pulgadas cuadradas.
En vez de medir el valor de x, sólo se especifica si se cumplen
ciertas exigencias. Específicamente, cada varilla fabricada se
clasifica como sigue:

A) X menor que 8, B) 8<X<12 y C) X mayor que 12. Si se


fabrican 15 de tales varillas, cuál es la probabilidad de que un
número igual de varillas caigan en cada una de las categorías
anteriores?

SOLUCION:

117
Probabilidad y Estadística

Si la variancia es 4, entonces la desviación Estándar es 2. De modo que


la distribución normal tiene parámetros:

m =10 s =2

La probabilidad de que las varillas midan menos de 8 pulgadas:

Z= (8-10) / 2 =-1, su área externa es: 0.1587

Por simetría, la probabilidad de midan mas de12 pulgadas también es


0.1587

El área que representa P(8<X<12)=1-2*0.1587= 0.6826

Si se fabrican 15 varillas y se considera la fabricación de cada una como


eventos independientes, la probabilidad de que 5 de ellas midan menos
de 8, 5 entre 8 y 12 y las otras 5 midan más de 12 se calcula de
acuerdo a la distribución multinomial.

N= 15 P(X 1 = 5, X 2 = 5, X 3 = 5) = 15! / (5! 5 ! 5!) * 0.1587 5


0.1587 5 *0.6826 5

= 0.0011364

28.Los trenes de cierta línea del Metro corren cada media hora
entre media noche y las 6 de la mañana. ¿Cuál es la probabilidad
de que un hombre que entre en la estación en un tiempo al azar
durante ese periodo tenga que esperar por lo menos 20 minutos;
esto es el tiempo hasta la salida del siguiente tren sea mayor o
igual a 20 minutos?

PLANTEAMIENTO

Los trenes llegan cada media hora entre las 12 PM y las 6 AM Un


hombre entra a la estación en un tiempo al azar

Si X es la variable aleatoria en que el hombre llega, X tiene una


distribución uniforme entre las 12 PM y las 6 AM.

f(x) = 1 / 360 Donde X = tiempo en minutos

118
Probabilidad y Estadística

PREGUNTA

Cual es la probabilidad de que el tiempo entre la llegada del


hombre y la salida del próximo tren sea mayor o igual a 20
minutos?

SOLUCION:

Para la solución de este problema se debe plantear la probabilidad en


base a un intervalo de tiempo menor o igual a 10 minutos, ya que este
es el tiempo en el cual el hombre tendría que llegar a la estación luego
de haber salido un tren de la misma para poder tener una probabilidad
de espera mayor o igual a 20 minutos, por ejemplo ya que en el
problema se nos dice que los trenes salen cada 30 minutos. Debe de
esperar mas de 20 minutos si llega entre la 1:00 y 1:10.

Del gráfico elaborado en el planteamiento previo, nos damos cuenta que


existen 12 intervalos posibles de tiempo en el cual el hombre puede
llegar a la estación, en donde cada rectángulo pequeño representa un
intervalo de tiempo de 10 minutos, por lo que la probabilidad que
buscamos queda planteada de la siguiente manera:

P(0 < X £ 10) = P(0 < X £ 10) + P(30 < X £ 40) + P(60 < X £ 70)
+ .......................... + P(330 < X £ 340)

Puesto que para todos los intervalos la posibilidad es igual, ya que la


variable de tiempo siempre es 10 minutos, entonces nos queda lo
siguiente:

P(0 < X £ 10) = 10 / 360 = 1 / 36

Ya que existen 12 intervalos de tiempo con una longitud de 10 minutos,


entonces la probabilidad que buscamos nos queda:

P(esperar ³ 20min) = 1 / 36 x 12 = 0.3333

119
Probabilidad y Estadística

29.Una compañía está planeando producir impresoras de


matrices de puntos que se emplearán con microcomputadoras.
Un problema que afronta es la decisión de fabricar o comprar las
cabezas de impresión. Puede comprarlas a un fabricante a $35
cada una o producirlas en su propia planta con costos variables
de $24 por unidad. Si opta por lo segundo tendrá que erogar
costos fijos de $28000 al año. Debido a las unidades defectuosas
cada impresora requiere 1.15 cabezas de impresión. La compañía
prevee que la demanda anual de sus impresoras tendrá una
distribución normal con media 3000 unidades y una desviación
estándar de 700 unidades.¿Qué probabilidades hay de que el uso
requerido de las cabezas de impresión sea suficientemente
grande para justificar la producción y no su adquisición? Si la
política de la compañía es fabricar los componentes solo cuando
hay probabilidad mayor de 60% de que el uso se encuentre 1.5
desviaciones estándar sobre el punto de equilibrio entre la
fabricación y la compra, ¿Qué decisión habrá que tomarse en ese
caso?

PLANTEAMIENTO

Sea X la variable demanda anual de impresoras, tienen una distribución


normal con media 3000 y desviación estándar 700

Las unidades que se necesitan producir o comprar, están en función de


la demanda 1.15 X

La decisión de producir o comprar debe tomarse con el objetivo de


minimizar los costos, sea A el número de cabezas compradas o
fabricadas, los costos asociados son

Si se compran 35 A, si se fabrican 24 A + 28000

SOLUCION

Los costos de las dos alternativas son iguales cuando A = 2546 unidades

35 A = 24 A + 28000

11 A = 28000

A = 2545.45

120
Probabilidad y Estadística

La demanda de Cabezas de impresión X = 2546/1.15= 2213.43

Si la demanda es mayor que 2213 es mejor producir que comprar.

La probabilidad de que la demanda justifique producir es igual a la


probabilidad que la demanda sea mayor que 2213

P( X ³ 2213) = P( Z ³ -1.124) = 0.8686

Si la política de la compañía es fabricar solo cuando hay una


probabilidad mayor de 60% de que la demanda se encuentre a 1.5
desviaciones sobre el punto de equilibrio entre la fabricación y la
compra, 2213, esto es la demanda es mayor a 2213 +1.5 *700 = 3263

La probabilidad de que la demanda sea mayor a 3263 es igual a la


probabilidad de que la variable Z sea mayor 0.375,

P(Z ³ 0.375) = 0.355 por lo tanto deben comprarse los módulos.

30. Una compañía presta servicios de jardinería a los dueños de


casas y a las empresas pequeñas. Está planeando comprar un
nuevo distribuidor de fertilizantes que cuesta $43.50. Se estima
que con él ahorrará 8 minutos de trabajo por cada hora de uso.
El especialista en el cuidado del césped estima que la vida
esperada del distribuidor es apenas 48 horas debido a la
corrosión y que las probabilidades son de 7 a 5 de la que su vida
oscile entre 42 y 54 horas siguiendo una distribución normal. Si
la compañía paga a sus jardineros $12.50 por hora ¿Cuál es la
probabilidad de que el distribuidor se pague con su trabajo antes
de deteriorarse?

PLANTEAMIENTO

Costo del distribuidor $43.50

Pago al personal $12.50 por hora

Ahorro 8 minutos por hora esto es$1.667 por hora

El distribuidor se paga si trabaja 26.09 horas

SOLUCION

121
Probabilidad y Estadística

La vida del distribuidor es una Variable Aleatoria con media 48 horas

La probabilidad de que la vida oscile entre 42 y 54 horas es 7/12,


entonces ,si se supone que la distribución es normal, la probabilidad de
que la vida oscile entre 42 y 48 horas es 0.2916

P( 42 £ X £ 48)= 0.2916

El valor Normal estándar para esta área es Z = 0.81

Por lo que la desviación estándar es 7.4

La probabilidad de que el distribuidor se pague con su trabajo antes de


deteriorarse es

P( X ³ 26.09) = P( Z ³ -2.96) = 0.9985

31. Los eslabones usados en la fabricación de cadenas están


normalmente distribuidos con respecto a su resistencia media de
1000 kg. Y desviación estándar de 50 kg. . Cada cadena es
fabricada empleando 20 eslabones.

Cuál es la probabilidad que una cadena se rompa soportando un


peso de 900 kg.Cuál debe ser la resistencia mínima promedio
para que el 99% de las cadenas fabricadas soporten 900 kg sin
romperse

PLANTEAMIENTO

La resistencia de los eslabones es una variable aleatoria normal con


media 1000 Kg y desviación estándar 50 Kg

Cada cadena se fabrica con 20 eslabones, la cadena se rompe si al


menos uno de los eslabones se rompe.

La probabilidad de que se rompa la cadena P(A) es

P(A)= 1-P(ninguno de los eslabones se rompe)

SOLUCION

Para cada eslabón

122
Probabilidad y Estadística

P(X £ 900) = P(Z £ (900-1000)/50) = P(Z £ -2)= 0.0228

P( X ³ 900) = 1- 0.228 = 0.977

La probabilidad de que se rompa la cadena es 1- 0.977 20

La resistencia mínima para que el 99% de las cadenas no se rompa R


es:

Probabilidad de que no se rompa la cadena = 0.99 = V 20

Donde V es la probabilidad de que un eslabón no se rompa, es decir


soporte

una resistencia mayor que 900 gr

V = 0.99999

La variable Z normal estándar que le corresponde es Z= -3.5

-3.5 = (900 -R) / 50

De donde R es como mínimo 1075 gr

123
Probabilidad y Estadística

Enunciado 1

Altube y Vitoria son dos estaciones metereológicas. Representaremos por A y V el


que llueva respectivamente en Altube y Vitoria durante cualquier periodo de 24
horas en el mes de Junio; se observa que P(A) = P(V) = 0, 40 y que P(A V) = 0,
28. Determínense las dos probabilidades condicionales P(A/V) y P(V/A), así como
la probabilidad total P(A V). ¿Son independientes A y V?
Ver Solución.

RESPUESTA 1.

Para obtener las probabilidades condicionadas aplicamos la expresión


P(A B) = P(A) • P(B/A) = P(B) • P(A/B )
que en nuestro caso será

Para obtener la probabilidad total consideramos


P(A B) = P(A) + P(B) – P(A B)
con lo que resultará
P(A V) = P(A) + P(V) – P(A V)= 0, 40 + 0, 40 - 0, 28 = 0, 52
Se dice que dos sucesos son independientes si su probabilidad compuesta es
igual al producto de sus probabilidades incondicionales respectivas. La definición
formal de independencia de dos sucesos es que se cumpla
P(B/A) = P(B) ; P(A/B) = P(A)
Por consiguiente, teniendo en cuenta que la ley general de probabilidad
compuesta se expresa :
P(A B C ••• M N) =
P(A)•P(B/A)•P(C/A B) ••• P(N/A B C ••• M)
podemos ver que en el caso de sucesos independientes la probabilidad
compuesta toma la forma simétrica
P(A B) = P(A)•P(B).
En nuestro caso resulta fácil comprobar que los dos sucesos no son
independientes ya que se tiene :
P(A/V) P(A) ; P(V/A) P(V) P(A V) P(A)•P(V)

124
Probabilidad y Estadística

Enunciado 2

Dados P(A) = a , P(B) = b y P(A B) = a.b, demuéstrese que

se factorizan en la forma indicada por la definición general de independencia, es


decir como producto de las probabilidades de los componentes de la combinación.
Ver Solución.

RESPUESTA 2.

Uno de los axiomas básicos de la teoría de la probabilidad enuncia : La


probabilidad P(E) de un suceso E es un número real comprendido entre 0 y 1. La
probabilidad de que ocurra un suceso imposible es 0 y la de un suceso seguro, l ;
en general si para dos sucesos se tiene P(E1) + P(E2) = 1 , decimos que E1 y E2
son sucesos complementarios uno del otro. También se dice que E 1 y E2 son
mutuamente excluyentes.
Considerando lo dicho en el párrafo anterior, tenemos :

Pero el suceso A solo puede ocurrir de dos formas mutuamente excluyentes : en


conjunción con B o en conjunción con el complementario de B. Por tanto,
tendremos según el teorema que nos da la probabilidad total para sucesos
mutuamente excluyentes, y cuyo enunciado es :

Si A , B, ••• , N son sucesos mutuamente excluyentes, entonces :

P(A B ••• N) = P(A) + P(B) + ••• + P(N)

y de esta expresión podemos deducir (siendo S el Suceso seguro) :

de donde, por sustitución :

125
Probabilidad y Estadística

y análogamente :

Finalmente, como los cuatro pares de sucesos son


exhaustivos su probabilidad total es la unidad, y como son mutuamente
excluyentes, podemos aplicar el teorema anterior obteniendo :

y sustituyendo los valores conocidos

Este último resultado se puede obtener siguiendo el mismo proceso que en los
dos primeros, es decir:

El requisito de la factorización se satisface, por tanto, en todos los casos.

Enunciado 3

Un mecanismo eléctrico que contiene cuatro interruptores sólo funciona cuando


todos ellos están cerrados. En sentido probabilístico, los interruptores son
independientes en lo que se refiere al cierre o a la apertura, y, para cada uno de
ellos, la probabilidad de que no funcione es 0,1. Calcúlese la probabilidad de que
no funcione el mecanismo en conjunto, despreciando todas las causas que
pueden hacer que el mecanismo no funcione, excepto los propios interruptores.
Ver Solución.

RESPUESTA 3.

Representando por F el hecho de que el mecanismo no funcione y por el suceso


complementario, es decir, que el mecanismo funcione, aplicamos el axioma

126
Probabilidad y Estadística

enunciado en el prob1ema anterior (propiedad 1) y tenemos :

Llamando S1 al suceso de que el interruptor 1 esté cerrado y al suceso


complementario (que esté abierto), se sabe que , luego:

Y análogamente para los otros interruptores. El mecanismo solo funciona cuando


los interruptores están cerrados, y esto corresponde al suceso compuesto
, luego :

Aplicando ahora el teorema sobre la ley de la probabilidad compuesta para


sucesos independientes, tenemos :

y a partir de ahí :

Esta es la forma más sencilla de resolver el prob1ema, pero es instructivo


resolverlo empleando el teorema de la ley general de la probabilidad total :

La probabilidad P(A B ••• N) es igual a la suma algebraica de las


probabilidades de los sucesos en todas las combinaciones posibles distintas, es
decir, suceso único, parejas, ternas, … , N-tuplas. El signo es positivo para las
combinaciones de orden impar (suceso único, ternas, …) y negativo para las
combinaciones de orden par (parejas, cuaternas, … ).

Como el mecanismo no funcionará siempre que uno de los interruptores esté


abierto, el suceso F es equivalente al suceso compuesto .
Tenemos que usar la ley general de la probabilidad total porque los sucesos son
independientes, y, por tanto , no son mutuamente excluyentes. Entonces, por el
teorema enunciado anteriormente :

127
Probabilidad y Estadística

Observamos que hay cuatro sucesos simples, seis parejas, cuatro temas y un
cuarteto.
Como los sucesos son independientes, la probabilidad compuesta es igual al
producto de las probabilidades simples correspondientes, y como éstas son
uniformes, podemos agrupar los términos del mismo grado escribiendo :

P(F) = 4.(0,1) - 6.(0,1)2 + 4.(0,1)3 - (0,1)4 = 0,4 - 0,06 + 0,004 - 0,0001 = 0,3439

Vemos que, aunque este método de solución es mucho más complicado que el
primero y no es recomendable en una situación en la que aquel se pueda aplicar,
conduce a la respuesta correcta, e ilustra el hecho general de que todos los
métodos que utilizan los principios matemáticos adecuados de forma válida,
llevarán a los mismos resultados.

Enunciado 4

En un almacén se tiene que despachar 60 pedidos, y se sabe que 5 de ellos son


de una cierta mercancía A. Si se cumplimentan los 60 pedidos al azar, ¿cual es la
probabilidad de que el primero y el cuarto pedido sean de la mercancía A y de que
simultáneamente no lo sean el segundo y el tercero?. ¿Cual es la probabilidad de
que en los cuatro primeros pedidos a cumplimentar haya al menos dos pedidos de
la mercancía A?
Ver Solución.

RESPUESTA 4.

Vamos a representar por A el suceso consistente en que un pedido determinado


que se esté despachando sea de la mercancía A, y por el suceso
complementario consistente en que no sea de la mercancía A.

Como la probabilidad de que un pedido determinado se refiera a una clase de


mercancía determinada (sea A ó ) está influida por el número de pedidos de la

128
Probabilidad y Estadística

misma clase que se hayan despachado antes, este problema ilustra la ley general
de la probabilidad compuesta, expresada en la Ley general de la probabilidad
compuesta :

Una buena forma de considerar el problema es imaginar un mazo de 60 cartas,


todas iguales , excepto que 5 de ellas están señaladas con A y 55 señaladas con
. La acción de cumplimentar los pedidos se puede asociar a la de sacar cartas
de un mazo bien barajado, de forma que todas las cartas que se pueden sacar en
una prueba determinada tienen las mismas probabilidades de ser elegidas.

El suceso de que los pedidos primero y cuarto sean de la mercancía A y el


segundo y tercero no , corresponde a sacar la sucesión de cartas A , , , A.
Como hay 5 cartas señaladas con A, la probabilidad de que la primera carta sea
una A es 5/60. En la segunda prueba hay 59 cartas en la baraja, y 55 de ellas
están señaladas con . Luego la probabilidad condicionada de que la segunda
carta sea una es 55/59. En la tercera prueba quedan 58 cartas, y 54 de ellas
están señaladas con . Luego, la probabilidad condicionada de que la tercera
carta sea una es 54/58. Finalmente, en la cuarta prueba quedan 57 cartas, de
las cuales 4 están señaladas con A, luego la probabilidad de que la cuarta carta
sea una A es 4/57. Por tanto, multiplicando estas probabilidades de acuerdo con el
teorema que expresa la ley general de la probabilidad compuesta, obtenemos :

Si llamamos E al suceso de que al menos dos pedidos de los cuatro primeros a


cumplimentar sean de la mercancía A, su probabilidad es igual a , siendo
el suceso de que los primeros cuatro pedidos contengan menos de dos pedidos
de la mercancía A, es decir, cero ó uno. Pero la probabilidad de que ninguno de
los pedidos sea de la mercancía A está dada por:

Como el suceso de que uno de los pedidos sea de la mercancía A puede ocurrir
de cuatro formas mutuamente excluyentes, su probabilidad total es :

Por todo ello tendremos :

y la probabilidad buscada es :

129
Probabilidad y Estadística

Enunciado 5

Un lote de N objetos contiene k defectuosos, aunque la mayoría, N-k, están en


buenas condiciones. Si se eligen al azar n objetos, ¿cual es la probabilidad de que
los primeros c objetos (c < k) sean defectuosos y el resto , n-c, no lo sean? ¿Cual
es la probabilidad total de que, de los n objetos elegidos al azar, c sean
defectuosos?
Ver Solución.

RESPUESTA 5.

Los principios que intervienen en este problema son casi los mismos que los del
ejemplo anterior. Según el teorema que expresa la ley general de la probabilidad
compuesta, la probabilidad P(E) de obtener una sucesión de c objetos defectuosos
seguida de n-c objetos en buenas condiciones viene dada por un producto de
fracciones tales que cada numerador es igual al número de objetos de la clase
correspondiente que se pueden elegir al ejecutar la prueba, y cada denominador
es igual al correspondiente número total de todos los objetos que hay en ese
momento. Luego :

Podemos expresar este resultado en forma más compacta multiplicándolo y


dividiéndolo por la cantidad :

130
Probabilidad y Estadística

con lo que obtenemos :

La probabilidad de obtener cualquier otra sucesión de c objetos defectuosos de un


total de n pruebas se calcularía de la misma forma. Los numeradores, como
hemos observado en el problema anterior, contendrían el mismo conjunto de
factores, aunque en un orden diferente, y darían el mismo producto que en dicho
caso; los denominadores no cambiarían, y, por tanto, su producto sería el mismo
que en el caso anterior. Entonces, todas las sucesiones que contengan c objetos
defectuosos de un total de n pruebas tienen la misma probabilidad que la dada por
la ecuación (*). El número S de sucesiones distintas que contienen exactamente c
objetos defectuosos de un total de n es igual al número de permutaciones P m(n; c,
n-c) de n objetos tomados de n en n, siendo c objetos de una clase y el resto de
otra; es decir:

La probabilidad total, P(c), de obtener exactamente c objetos defectuosos en un


total de n pruebas es igual al número de sucesiones S multiplicado por su
probabilidad común, P(E), es decir:

Podemos reagrupar estos términos para obtener una fórmula mas elegante :

Expresión conocida con el nombre de ley hipergeométrica de la probabilidad.

131