Ahora realizando 4 lanzamientos

Numero de Posibilidades: 24 = 16

INTENTOS MONEDA 1 MONEDA 2 MONEDA 3 MONEDA 4 NUM. CARAS

1 C C C C 4
2 C C C S 3
3 C C S C 3
4 C C S S 2
5 C S C C 3
6 C S C S 2
7 C S S C 2
8 C S S S 1
9 S C C C 3
10 S C C S 2
11 S C S C 2
12 S C S S 1
13 S S C C 2
14 S S C S 1
15 S S S C 1
16 S S S S 0
NUM. CARAS FRECUENCIAS PROBABILIDAD
1
4 1 16
4
3 4 16
6
2 6 16
4
1 4 16
1
0 1 16

1
 Caracterı́sticas de una distribución de
probabilidad
- La probabilidad de un resultado en particular se encuentra entre 0 y 1.
- Los resultados mutuamente excluyentes.
- La lista es exhaustiva (la suma de las probabilidades es 1).

Variables aleatorias
Es una cantidad que resulta de un experimento que por azar puede adoptar
diferentes valores.
- Variable aleatoria discreta que adopta claramente separados. Ejemplo: Da-
dos
Variable aleatoria discreta discreta: Es discreta si se puede asumir cuando
mucho un numero finito o un numero infinito de valores posibles.
Una variable aleatoria es una función que asocia un numero real con cada
elemento del espacio muestral

Densidad discreta (pdm)

Sea X una variable aleatoria discreta, la función f dada por: fx = PX=x para
X  R se llama función de densidad. También es denominada funcion de masa
de probabilidad.
Condiciones necesarias para que una fx sea una densidad
discreta
V
fx ≥ 0 fx ≤ 1
1) P
2) fX = 1 ∀ X

Ejemplo:

Un embarque de 8 micro-computadores similares para una tienda al detalle

contiene 3 que están defectuosas. Si una escuela hace una compra de 2 de estas
computadoras, encuentre la distribución de probabilidad para el numero de de-
fectuosas.

C25
f0 = C28

5
f0 = 14 ≈ 0,3571

3 5 5 3
f1 = 8 * 7 + 8 * 8

15
f1 = 28 ≈ 0,5357
C23
f2 = C28

3
f2 = 28 ≈ 0,1071

2
Si una agencia automotriz vende 50 % de su inventario de un cierto vehı́culo
extranjero equipado con bolsas de aire, encuentre una fórmula para la distribu-
ción de probabilidades del número de automóvilez con bolsa de aire entre los
siguientes 4 vehı́culos que venda la agencia.

C04 1
f0 = 16 = 16

C14 1
f1 = 16 = 4

C24 3
f2 = 16 = 8

C34 1
f3 = 16 = 16

C44 1
f0 = 16 = 16

1 1 3 1 1
P
fX = 16 + 4 + 8 + 16 + 16 =1
4
CX
fX = 16

Construir la función de probabilidad para lanzar una moneda hasta que se ob-
tenga cara

Ω = (C) , (S,C) , (S,S,C) , (S,S,S,C), ...

NUM. LANZAMIENTOS PROBABILIDAD

1 1
1 2 = 2
1 1 1
2 2 * 2 = 4
1 1 1 1
3 2 * 2 * 2 = 8
1 1 1 1 1
4 2 * 2 * 2 * 2 = 16

3
 fn = 2−n
a(1−r n )
S= 1−r

a(1 − rn )
lı́m
n→∞ 1−r
1
2 (1− rn )
lı́m
n→∞ 1 − 21
1
2 (1 − rn )
lı́m 1
n→∞
2

lı́m (1 − rn )
n→∞

S=1

Distribución acumulativa (función de

distribución acumulada ”pdf”)
Sea X una variable aleatoria discreta con densidad f . La función de distribución
acumulada de x denotada por F se define como:
P
FX = P (X ≤ x) = ft

Ejemplos: Con los datos de los 3 ejemplos anteriores, realizar la distribución

acumulativa

1)

4
 X f(X) F(X)
20 20
0 56 56
30 50
1 56 56
6 56
2 56 56
P
µ= XfX

20
µ = 0 * ( 56 ) + 1 * ( 30 6
56 ) + 2 * ( 56 )

3
µ= 4

2)

X f(X) F(X)
1 1
0 16 16
4 5
1 16 16
6 11
2 16 16
4 15
3 16 16
1 16
4 16 16
µ=2

3)

X f(X)) F(X)
1 1
1 2 2
1 3
2 4 4
1 7
3 8 8
1 15
4 16 16
1 31
5 32 32
1 63
6 64 64

5
 15
µ= 8

Distribución de probabilidad uniforme

a+b
µ= 2

a = Dato inicial

b = Dato final
(b−a+1)2 −1
σ2 = 12

a+b
µ= 2 = 3,5
(b−a+1)2 −1 35
σ2 = 12 = 12

6
 Distribución de probabilidad binomial
- El resultado de cada prueba de un experimento se clasifica en una de dos
categorı́as mutuamente excluyentes: éxito o fracaso.
- La variable aleatoria permite contar el número de éxitos de una cantidad
fija de pruebas.
- La probabilidad de éxito y fracaso es la misma para la prueba.
- Las pruebas son independientes, lo cual significa que el resultado de una
prueba no influye en el resultado de la otra prueba.

µ = E[x] = n*p

σ 2 = E[x2 ] = n*p*(1-p) = n*p*q

 
n
Px = ∗ px ∗ (1 − p)n−x
x
P
E[x] = xfx

(x − µ)2
P
E[x2 ] =

DON DE :
p: Es la probabilidad de éxito en cada prueba
1-p: Es la probabilidad de fracaso
n: Número de pruebas

Ejemplos:

Una compañı́a de aviación tiene 5 vuelos diarios hacia un aeropuerto A. Su-

ponga que la probabilidad de que cualquier vuelo llegue tarde hoy sea de de 0,2.

7
¿Cuál es la probabilidad de que ningún de los vuelos llegue tarde hoy? ¿Cuál
es la probabilidad de que exactamente uno de los vuelos llegue tarde hoy?

1)
 
5
P0 = ∗ 0, 20 ∗ (1 − 0, 2)5−0
0
P0 = 0, 3277

2)
 
5
P1 = ∗ 0, 21 ∗ (1 − 0, 2)5−1
1
P1 = 0, 4096

- ¿Qué pasarı́a si dos vuelos llegan tarde ?

 
5
P2 = ∗ 0, 22 ∗ (1 − 0, 2)5−2
2
P2 = 0, 2048

- ¿Qué posibilidad hay de que máximo 2 vuelos lleguen tarde ?

PX≤2 = P0 + P1 + P2

PX≤2 = 0,9421

¿Cuál es la probabilidad de que 1 estudiante acierte 7 preguntas en un examen

de selección múltiple que tiene 4 literales, en un examen de 10 preguntas. con-
siderando que es puramente aleatorio?

 
n
Px = ∗ px ∗ (1 − p)n−x
x
17
 
10
P7 = ∗ ∗ (1 − p)10−7
7 4
P7 = 0, 0031

Gráfica de distribución de probabilidad

8
 X P(X)
0 0,0563
1 0,1877
2 0,2816
3 0,2503
4 0,1460
5 0,0584
6 0,0162
7 0,0031
8 0,00039
9 0,000029
10 0,00000095
Tabla de frecuencias acumuladas

P(X) FREC. ACUMULADA

0 0,0563
1 0,2440
2 0,5256
3 0,7758
4 0,9218
5 0,9902
6 0,9965
7 0,9996
8 0,99997
9 0,999999
10 1
µ = n*p = 2,5

σ 2 = 10*(0,25)*(0,75) = 1,875

Las normas de las industrias sugiere que el 10 % de los vehı́culos reciben

servicio en el 1er año de garantı́a Juan vendió 12 autos el dı́a de hoy. ¿Cuál es
la posibilidad de que ninguno de estos vehı́culos requieran garantı́a? ¿Cuál es la

9
posibilidad de que 1 vehı́culo lo requiera?. Calcule para 2 vehı́culos. Calcular la
media y la varianza.

1) X = 0
 
12
P0 = ∗ 0, 10 ∗ (0, 9)12
0
P0 = 0,2824

2) X = 1
 
12
P1 = ∗ 0, 11 ∗ (0, 9)11
1
P1 = 0,2824

3) X = 2
 
12
P2 = ∗ 0, 12 ∗ (0, 9)10
2
P2 = 0,2301

4) Media y varianza:
µ = n*p = 12 * 0,1 = 1,2

σ 2 = n*p*(1-p) = 12 * 0,1 * 0,9 = 1,08

Sea X el número de señales de un radar identificados correctamente en un

perı́odo de 30 min en el que se recibieron 10 señales. Suponga que X es binomial.
n = 10 y p = 0,75. Calcule la probabilidad de que se identifiquen correctamente
cuando menos 7 deñales.

PX≥7 = P7 + P8 + P9 + P10
   
10 10
PX≥7 = ∗ 0, 17 ∗ (0, 9)10−7 + ∗ 0, 18 ∗ (0, 9)10−8 +
  7   8
10 9 10−9 10
∗ 0, 1 ∗ (0, 9) + ∗ 0, 11 0 ∗ (0, 9)10−10
9 10
PX≥7 = 0,7759

Distribución de probabilidad binomial negativa

El experimento consiste en una serie de ensayos de Bernoulli, independientes e
indistintas cada uno con probabilidad ”p”de éxito.
Los ensayos se observan hasta obtener r éxitos, donde el experimentador fija
el valor r.

10
 La variable aleatoria X es el número de ensayos necesarios para lograr r
éxitos.
Definición
Se afirma que una variable aleatoria X tiene una distribución binomial ne-
gativa, con parámetros ”p r”, si su densidad f dado por la siguiente fórmula.
2

 
X −1
fX = ∗ pX ∗ (1 − p)X−r
r−1
r
µ = E[X] = p

r∗q r(1−p)
σ 2 = V ar(X) = E[X 2 ] = p = p

Ejemplos:

Las fibras de algodón usadas en la producción de carrtes son sometidos a un

proceso de hidratación, el cual permiten que entren en solución. Este proceso
tiene como efectividad del 90 % en cuanto a que el material producido pueda
conformarse según se requiera en una etapa del proceso, con probabilidad de
0,9. ¿Cuál es la probabilidad de que se produzcan exactamente 20 lotes para
obtener el tercer lote defectuoso.

 
X −1
fX = ∗ pX ∗ (1 − p)X−r
r− 1
19
f20 = ∗ 0, 92 0 ∗ (0, 1)17
2
f20 = 2, 079 ∗ 10−16

Esperanza Matemática
sea X una variable aleatoria discreta con densidad f . Sea H(X) una variable
aleatoria.
P El valor esperado de H(X)
P, que se denota por E(Hx ) , está dado por
H(X) ∗fX ∀X, siempre y cuando |HX |∗fX sea finita. La suma abarca todos
los valores de X que ocurra con probabilidad distinta de cero.

La media serı́a: P
µ = E[X] = x ∗ fx

E[X 2 ] = P x2 ∗ fx
P
E[X 3 ] = x3 ∗ f
P k x
E[X k ] = x ∗ fx

Reglas de la esperanza matemática

Sea X e Y variables aleatorias y sea c cualquier valor real:

11
 1) E(c) = c
2) E(cX) = cE(X)
3) E(X+Y ) = E(X) + E(y)

Ejemplo:

Sean X e Y variables aleatorias y sean E(X) = 7, E(Y ) = −5. Entonces

calcular la esperanza de E(4X − 2Y + 6)

E(4X − 2Y + 6)
4E(X) − 2E(Y ) + E(6)
28 + 10 + 6
44

Varianza y desviación estándar

Varianza
Sea X una variable aleatoria con µ, la varianza de X está denotada por
V ar(X) = σ 2 , está dada por:

V ar(X) = σ 2 = E[(x−µ)2 ]
= E[X 2 ] + (E[X] )2

Desviación estándar
Sea X una variable aleatoria con varianza σ 2 . La desviación estándar de X.
denotada por σ está dada por:

p √
σ= V ar(X) = σ2

Propiedades de la esviación estándar

1) La desviación de X se define como la raı́z cuadrada no negativa de su
varianza. siempre positiva.
2) La desviación estándar se representa por la letra σ, y la varianza σ 2 .
3) La desviación estándar sea grande implica que la variable aleatoria de X,
es más bien inconstante (muy variable), hasta cierto punto de difı́cil predicción,
mientras que una desviación pequeña indica estabilidad.
4) La desviación estándar siempre se expresa en unidades fı́sicas de medi-
ción, que corresponde a los datos originales, la varianza suele estar desprovista
de unidades.

12
Reglas de la varianza
Sea X e Y variables aleatorias y c cualquier número real, entonces:

1) V ar(c) = 0
2) V ar(cX) = c2 V ar(X)
3) X, Y (variables aleatorias independientes) = V ar(X+Y ) = V ar(X) +
V ar(Y )

13