Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Rosa Millones - Estadistica Descriptiva y Probabilidades-Universidad de Lima (2018)
Rosa Millones - Estadistica Descriptiva y Probabilidades-Universidad de Lima (2018)
© De esta edición:
Universidad de Lima
Fondo Editorial
Av. Javier Prado Este N.o 4600,
Urb. Fundo Monterrico Chico, Lima 33, Perú
Apartado postal 852, Lima 100
Teléfono: 437-6767, anexo 30131
fondoeditorial@ulima.edu.pe
www.ulima.edu.pe
Impreso en el Perú
ISBN 978-9972-45-392-2
Hecho el depósito legal en la Biblioteca Nacional del Perú n.o 2018- 04506
Índice
Presentación 11
Índice 7
8.1 Gráfico de cajas 67
9. Problemas resueltos 71
10. Problemas propuestos 93
1. Definición 159
2. Tipos de variables aleatorias 161
2.1 Variable aleatoria discreta 161
2.1.1 Definición 161
2.1.2 Función de probabilidad de una variable
aleatoria discreta 161
2.1.3 Función de distribución 164
2.2 Variable aleatoria continua 167
2.2.1 Definición 167
2.2.2 Función de densidad de probabilidad de una variable
aleatoria continua 167
2.2.3 Función de probabilidad acumulativa (distribución) 170
Bibliografía 311
Anexos
Anexo 1: Resumen de fórmulas de estadística descriptiva 315
Anexo 2: Resumen de fórmulas de probabilidad 316
Anexo 3: Distribuciones notables de probabilidad 317
Índice 9
Presentación
Presentación 11
Todas las imágenes y tablas son materiales originales creados por los autores,
salvo indicación expresa de lo contrario; con respecto a las capturas, de no indi-
carse lo contrario, estas corresponden al software Minitab.
El capítulo 1 comprende las definiciones básicas, la organización, tabulación
y presentación de datos; las medidas estadísticas de resumen y el análisis ex-
ploratorio de datos. Las técnicas de conteo, el cálculo de probabilidades y los
teoremas de probabilidad son abordados en el capítulo 2. En el capítulo 3 se
desarrolla el tema de distribución de probabilidad de una variable aleatoria, así
como la esperanza y varianza que caracterizan a dicha distribución. Finalmente,
en el capítulo 4 se consideran las distribuciones especiales de probabilidad.
Expresamos nuestro agradecimiento a las autoridades de la Escuela de Inge-
niería que han hecho posible la publicación del presente libro que será de gran
utilidad para nuestros alumnos y el público interesado.
Los autores
Capítulo
1 Estadística descriptiva
La estadística es una ciencia necesaria Sabes
y útil en toda carrera profesional, ya que Capacidades adquiridas
las técnicas y procedimientos estadísticos
9 Comprender los conceptos básicos
son aplicables a características de diferente
de la estadística.
naturaleza, como, por ejemplo: la ocurren-
cia de fallas en un dispositivo, las ventas 9 Clasificar los tipos de variables.
diarias de una empresa, entre otras. Los 9 Organizar y representar los datos
datos estadísticos se caracterizan por ser en forma tabular y gráfica.
aleatorios, ya que el dato es inesperado y 9 Calcular las medidas resumen.
casual; inciertos, es decir, no se tiene cono- 9 Determinar la forma de distribución
cimiento del valor que puede tener; y varia- de los datos.
bles, no constantes. Para la comprensión de
los datos estadísticos se debe partir por la
organización, presentación y resumen de
los mencionados datos. Piensas
Competencias por lograr
Conocimientos previos 9 Diferenciar entre la estadística
descriptiva e inferencial.
Teoría de conjuntos, manejo de
notación matemática. 9 Utilizar las tablas y gráficas adecua-
das según el tipo de variable.
9 Reconocer las situaciones de uso de
las diferentes medidas resumen.
Secciones
1. División de la estadística
2. Conceptos básicos
3. Descripción tabular y gráfica Haces
de variables
Habilidades por desarrollar
4. Medidas de tendencia central
9 Resumir grandes volúmenes de datos.
5. Medidas de posición
9 Aplicar las propiedades de las princi-
6. Medidas de dispersión (variabilidad)
pales medidas resumen.
7. Medidas de forma
9 Interpretar las medidas resumen de
8. Análisis exploratorio de datos acuerdo al contexto de análisis
1. División de la estadística
2. Conceptos básicos
Población de tamaño N
Muestra de tamaño N
Categorías Conteo de
Porcentaje (%)
de la variable observaciones
(Pi)
(Ci) (Oi)
Tabla 1. Estructura
de una TDF para una C1 O1 P1
variable cualitativa. C2 O2 P2
: : :
Ck Ok Pk
Total n 100 %
Donde:
Oi: Número de datos observados en la i-ésima categoría. La suma de los
k
conteos es igual al tamaño de la muestra: ∑ Oi = n.
i =1
Pi: Porcentaje de datos observados en la i-ésima categoría, respecto al tamaño
O
de muestra: Pi = i 100 %. La suma de los porcentajes es igual a
n
k
100 % : ∑ Pi = 100 %.
i =1
Figura 2. Acceso al
comando Tally Indi-
vidual Variables.
Figura 3. Cuadro de
diálogo del coman-
do Tally Individual
Variables.
Impuntual
55, 22.0 %
Figura 5. Gráfico de
sectores correspon-
diente a la variable
Clasificación. Puntual
32, 12.8 %
Puntual anticipado
163, 65.2 %
Ejemplo 2
En el archivo Clientes.mtw, a partir de los datos correspondientes al ingreso
familiar de los clientes en análisis, realice lo siguiente:
a. Codifique los ingresos familiares de acuerdo al siguiente criterio:
Menos de S/ 2800 : < S/ 2800
De S/ 2800 a menos de S/ 3600 : S/ 2800 – S/ 3600
De S/ 3600 a menos de S/ 4400 : S/ 3600 – S/ 4400
De S/ 4400 a menos de S/ 5200 : S/ 4400 – S/ 5200
De S/ 5200 a más: > = S/ 5200
Figura 6. Cuadro de
diálogo del comando
Code: To Text.
Figura 7. Cuadro de
diálogo del comando
Bart Chart: Labels.
vii. Presionar el botón OK, luego de lo cual se obtendrá el gráfico de barras
respectivo tal como se muestra en la figura 8.
Figura 8. Gráfico de
barras correspondiente
a la variable Intervalo
ingresos.
Donde:
fi : Conteo de datos observado por cada valor de la variable. La suma de
k
las frecuencias absolutas es igual al tamaño de la muestra (n): ∑ fi = n.
i =1
hi%: Porcentaje de datos observado por cada valor de la variable. La suma de
k
las frecuencias relativas es igual a la unidad: ∑ hi = 1. Generalmente
i =1
se expresan en porcentaje, entonces la suma es igual al 100 %.
Fi: Se obtiene sumando las frecuencias absolutas de los valores inferiores o
i
iguales al valor indicado de la variable. Entonces: Fi = ∑ f j . La última
j =1
frecuencia absoluta acumulada es igual al tamaño de la muestra (n).
Hi%: Se obtiene sumando las frecuencias relativas de los valores inferiores
i
o iguales al valor indicado de la variable. Entonces: Hi % = ∑ h j %.
j =1
La última frecuencia relativa acumulada es igual al 100 %.
Ejemplo 3
En el archivo Clientes.mtw se dispone de los datos correspondientes al nú-
mero de visitas a la tienda por departamentos en las cuales los clientes hicie-
ron uso de su tarjeta de crédito, durante los últimos 3 meses. A partir de los
mencionados datos realice lo que se solicite.
a. Obtenga la tabla de distribución de frecuencias.
Solución
i. Ingresar a Stat> Tables> Tally Individual Variables…
ii. Seleccionar la variable N.° Visitas, y elegir las opciones Counts,
Percents, Cumulative counts, y Cumulative percents.
iii. Presionar el botón OK para obtener el siguiente reporte.
Figura 9. Gráfico de
bastones correspon-
diente a la variable
Número de visitas.
Si la variable cuantitativa discreta a representarse en forma tabular o gráfica
posee una gran cantidad de valores distintos, entonces esta puede ser trabajada
como si fuera una variable cuantitativa continua; cuyo procedimiento se detalla
a continuación.
Los siguientes términos básicos deben tenerse presente para la descripción nu-
mérica y gráfica de una variable cuantitativa discreta con muchos valores y de
una variable cuantitativa continua (datos agrupados):
k yk fk n = fk +Fk–1 hk 100 %= hk + Hk –1
Total n 100 %
Donde:
fi, hi%, Fi y Hi% , se encuentran asociados al i-ésimo intervalo de clase en los
que se han dividido los valores de la variable, y representan lo mismo que lo
señalado en la TDF para variable cuantitativa discreta.
Las consideraciones a tomarse en cuenta en la construcción de una tabla de
frecuencias de datos agrupados son:
a. Cada observación debe ser estar contenida solo en una clase, es decir, las
clases deben ser mutuamente excluyentes.
b. En lo posible, las clases deben tener la misma amplitud.
c. Tener presente que las marcas de clase representan a todos los valores
contenidos en sus respectivas clases.
Nótese que el rango indica la distancia numérica que separa al valor mínimo
hasta el valor máximo de las observaciones.
Amplitud
3.2.2.1 Histograma
10 10 10
10 0 10 10 10 0 10 10 0
10 0 10 10 10 0 10 10 10 0 10
10 0 0 0 10 0 0
0 0 0 0 0 0
0 0
10
10 0 10 10
10 10 0 10 10 0 10 0
10 0
0
0
0 0 10
0 0
El presente histograma cuenta con 18 intervalos, y en el eje horizon-
tal aparecen las marcas de clase, lo que el software Minitab denomina
como “midpoints”, es decir, los puntos medios de los intervalos. Figura 14. Cuadro de
diálogo del comando
Histogram – Edit Bars.
Modificar el histograma
i. Hacer doble click sobre cualquier co-
lumna del histograma.
ii. Pulsar sobre la pestaña Binning.
iii. Seleccionar Cutpoint, y en Midpoint/
Cutpoint positions señalar el mínimo
valor (1200) y al límite superior del
primer intervalo (1570), dejando un
espacio vacío entre ambos valores,
tal como se muestra en la figura 14.
Pulsar OK.
iv. Si aparece un cuadro de diálogo con el
mensaje Bins extended to encompass
all data, pulsar sobre Aceptar.
A partir de las frecuencias absolutas representadas en el histogra-
ma elaborado se obtienen las frecuencias absolutas acumuladas, las
frecuencias relativas simples y las acumuladas, tal como se presenta
en la tabla 6.
Intervalo Límite Límite Marca de Frecuencia Frec. Relativa Frec. Absoluta Frec. Relativa
(Ii) inferior superior clase absoluta porcentual acumulada porcentual
(yi) (f i) (hi %) (Fi) acumulada
(Hi %)
1 1200 1570 1385 16 6.4 16 6.4
2 1570 1940 1755 27 10,8 43 17.2
3 1940 2310 2125 32 12.8 75 30.0
4 2310 2680 2495 38 15.2 113 45.2
5 2680 3050 2865 38 15.2 151 60.4
6 3050 3420 3235 31 12.4 182 72.8
7 3420 3790 3605 28 11.2 210 84.0
8 3790 4160 3975 26 10.4 236 94.4
9 4160 4530 4345 14 5.6 250 100.0
Total = 250 100.0 --- ---
ii. Graph> Scatterplot…
iii. Elegir la opción With Connect Line. Pulsar OK.
iv. Ingresar los datos tal como aparecen en la figura 19.
v. Pulsar el botón Labels… e ingresar a la pestaña Data Labels y seleccio-
nar la opción Use y-value labels. Pulsar OK.
vi. Pulsar el botón Data View…, se observa que la opción Symbols ya se
encuentra seleccionada, en forma adicional se debe seleccionar la op-
ción Connect line, tal como se muestra en la figura 20. Pulsar OK.
vii. Pulsar OK para obtener el polígono de frecuencias asociado a la varia-
ble monto de compras, tal como se muestra en la figura 21.
El diagrama de Pareto es una gráfica que permite identificar las causas que afec-
tan en un porcentaje significativo a un problema. Una vez identificadas las cau-
sas se procede a resolverlas para reducir en un gran porcentaje la ocurrencia del
problema en estudio. Esto contribuye a mejorar la calidad del producto o servi-
cio que se ofrece. El diagrama de Pareto también sirve para separar y atender
(o resolver) las causas que son “vitales” de aquellas que son “triviales” lo que
permitirá una reducción significativa del problema.
b. Indique cuáles son las principales causas detectadas en las fallas del servi-
cio de la cafetería en el Centro de Convenciones.
Solución
[A] Alto número de clientes ( 23.3 %), [H] No se cuenta con insumos su-
ficientes ( 23.3 %), [F] Error de digitación de pedido del cliente (19.2 %)
y la [C] Demora del mesero en la toma del pedido (15.8 %). Causas
que en conjunto representan el 81.7 % de las causas señaladas por
los informantes.
La media muestral es un punto de equilibrio entre los valores que están por
debajo y por encima de ella. La media muestral, o simplemente media, si no hay
confusión alguna, se denota por x .
Los tipos de media muestral son:
a. Media simple.
b. Media ponderada.
Las fórmulas para calcular la media son:
k
∑ yi fi k
n Media y = i =1 = ∑ yi hi
∑ xi n i =1
Media simple x = i =1
n Donde: yi son los valores de la variable o las marcas de clase
fi son las frecuencias absolutas
hi son las frecuencias relativas
k
∑ wi xi
Media ponderada x = i =1 Donde: wi son los pesos o ponderaciones.
k
∑ wi
i =1
4.2 Mediana
La mediana se define como el valor que divide en dos partes iguales al conjunto
ordenado de observaciones. La mediana se denota por Me y se calcula de la si-
guiente manera:
4.3 Moda
CASO: Financiera
En una agencia financiera se dispone de 10 cajeros destinados a la atención
al público, cuando cada uno de ellos termina sus labores realiza el cierre de
caja correspondiente. Los tiempos empleados, en minutos, por cada uno de
los cajeros al momento de realizar el cierre correspondiente al día anterior
se presentan a continuación:
25 19 25 24 27 25 22 26 20 23
19 20 22 23 24 25 25 25 26 27
x(1) x(2) x(3) x(4) x(5) x(6) x(7) x(8) x(9) x(10)
ii. Como el número de datos (n) es par, entonces se identifican los dos
valores centrales para calcular la mediana:
x n + x n
x 10 + x 10
2
+1
2
2
+1
2
x(5) + x( 6) 24 + 25
Me( x)
= = = = = 24.5
2 2 2 2
d. Haga uso del software Minitab para obtener los valores de la media,
mediana y moda.
Solución
Para calcular los valores de la media, la mediana y la moda mediante el
software Minitab, se deben ingresar los datos en una columna y luego apli-
car el siguiente procedimiento:
i. Digite los datos en la columna C1, y etiquételos como Tiempo cierre.
ii. Ingresar a Stat> Basic Statistics> Display Descriptive Statistics…
iii. Seleccionar la variable Tiempo cierre
iv. Presionar el botón Statistics…
v. Seleccione las siguientes estadísticas descriptivas: mean (media),
median (mediana), y mode (moda). Pulse el botón OK
vi. Presionar el botón OK.
Solución
Y * : Monto de pago incluyendo el curso
Y * = Pago pensión + Pago curso ⇒ Y * =Y + 90
Monto promedio de pago incluyendo el pago del curso:
*
M(Y= ) M(Y + 90) = M(Y ) + 90
= 487.16 + 90
= S / 577.16
k
*
Monto total del pago recibido por los 81 ingresantes: ∑ yi fi
i =1
k
*
∑ yi fi k
*
Como: M(Y ) = i =1
⇒ ∑ yi* fi = M(Y * )(81) = 577.16(81) ≈ 46 750
81 i =1
W
= (1 + 0.05)Y
Nuevo monto promedio:
M (W ) M
= = .05M(Y ) 1.05=
(1.05Y ) 1= ( 487.16) S/ 511.52
Ejemplo 8
En relación al escenario presentado sobre las 200 transacciones de compra
de euros, se solicita lo siguiente:
a. Calcule el monto promedio de euros comprados por cada transacción.
Solución
Debido a que los datos se presentan en una tabla resumen para datos
agrupados, se debe utilizar la fórmula correspondiente y trabajar con la
marca de clase y las frecuencias absolutas:
k
∑ yi fi
k =1 300(16) + 900(32) + 1500(68) + 2100( 44) + 2700( 28) + 3300(12)
=y = = 1716
n 16 + 32 + 68 + 44 + 28 + 12
1 0 600 300 16 16
2 600 1200 900 32 48
3 1200 1800 1500 68 116
4 1800 2400 2100 44 160
5 2400 3000 2700 28 188
6 3000 3600 3300 12 200
Total 200
5.1 Cuartiles
Q1 Q2 Q3
25 % 25 % 25 % 25 %
Figura 26. Cuartiles
y porcentajes de ob-
servaciones. 50 %
50 %
75 %
Ejemplo 9
En el archivo Juegos.mtw, a partir de los datos correspondientes al número
de niños por grupo, así como al número de juegos totales utilizados, realice
lo solicitado:
a. En relación al número de niños por grupo, obtenga los valores correspon-
dientes al primer y al tercer cuartil, y su interpretación.
Solución
i. Ingresar a Stat> Basic Statistics> Display Descriptive Statistics…
ii. Seleccionar la variable N.° de niños
iii. Presionar el botón Statistics…
iv. Seleccione las siguientes estadísticas descriptivas: first quartile (primer
cuartil), y third quartile (tercer cuartil). Pulse el botón OK
v. Presionar el botón OK
El reporte obtenido se presenta a continuación:
Interpretación:
• El 25 % de los grupos familiares o grupos de amigos ingresó con me-
nos de 3 niños al patio de juegos (≤ 2.25).
• El 75 % de los grupos familiares o grupos de amigos ingresó con me-
nos de 5 niños al patio de juegos (≤ 4.75).
5.2 Percentiles
Los percentiles xp(p = 1, 2, ..., 99) dividen al conjunto ordenado de datos en 100
partes iguales. De tal forma que p% de las observaciones son menores que el
percentil xp y (100 – p)% de observaciones son al menos iguales a xp. Los percen-
tiles son importantes en áreas como investigación de mercados pues permiten la
segmentación de estos.
En el presente texto, la obtención de los cuartiles y percentiles se trabajará a
partir de la base de datos mediante el uso del software Minitab.
Ejemplo 10
En el archivo Juegos.mtw, a partir de los datos correspondientes al tiempo de
permanencia, calcule los percentiles P35 y P65.
Solución
i. Etiquetar a la columna C8 como k y en dicha columna digitar los valores
de asociados a los percentiles solicitados: 0.35 y 0.65, para los percentiles
P35 y P65, respectivamente.
Los valores de los percentiles son: P35 = 50.235 y P65 = 56.3; los cuales
indican que el 35 % y 65 % de los grupos de niños permanecieron a lo
más 50.235 y 56.3 minutos respectivamente.
6.3 Varianza
xi x xk
Figura 29. Desviación
de una observación con
Xi − X Xk − X respecto a la media.
Desviación Desviación
negativa positiva
n 2 k 2
( )
n 2 2 2
∑ xi − x ∑ xi − nx ∑ yi fi − ny
i =1 S2 =
i =1
=S2 i =
=1
n −1 n −1 n −1
33 12 24 18 35 16
=S S2
= 88 ≈ S /. 9.38
1 10 14 12 4
2 14 18 16 10
3 18 22 20 26
4 22 26 24 42
5 26 30 28 18
Total 100
Ejemplo 12
En relación a los datos de las 100 instalaciones de televisión por cable reali-
zadas por la empresa, responda según se solicite:
a. Calcule el rango de la cantidad de cable coaxial utilizado en las insta-
laciones en análisis.
Solución
Debido a que los datos se presentan en una tabla resumen para datos
agrupados, se debe utilizar la fórmula correspondiente y trabajar con los
límites extremos de los intervalos:
LS5 = 30, LI1 = 10
A = LS5 – LI1 = 30 − 10 =
20
Interpretación: La diferencia entre el mayor y menor cantidad de cable
coaxial utilizado fue de 20 metros.
k 2
∑ yi fi − ny
2
i =1 51 840 − 100( 22.42 )
=S = ≈ 4.1 metros
n −1 100 − 1
Ejemplo 13
a. En relación a la cantidad de información digital almacenada por los usua-
rios, obtenga e interprete los valores correspondientes a rango, rango
intercuartílico, varianza, desviación estándar y coeficiente de variación.
Interprete el rango intercuartílico y la desviación estándar.
El reporte obtenido se presenta a continuación:
Interpretaciones:
• El 50 % central de la cantidad de información digital almacenada por
los usuarios presenta un rango de 388 GB.
• La dispersión de la cantidad de información digital almacenada por los
usuarios, con respecto a su valor promedio, es de aproximadamente
232.8 GB.
b. En relación a los resultados del ítem anterior (a), responda según se solicite:
i. Si en la cantidad de información digital almacenada en todos los usua-
rios se desea considerar una cantidad reservada de 4 GB para la pape-
lera de reciclaje, ¿cuál sería el nuevo valor de la desviación estándar?
7. Medidas de forma
Las medidas de forma sirven para cuantificar la desviación que tiene la distribu-
ción de los datos con respecto a la distribución simétrica y unimodal conocida
como distribución normal. Las medidas de forma son:
a. Coeficiente de asimetría.
b. Coeficiente de curtosis (apuntamiento).
CA < 0
1 En la práctica es difícil obtener un valor igual a cero, así que se trabaja con valores
aproximados a cero.
Mesocúrtica Platicúrtica
Leptocúrtica
Ejemplo 14
a. En relación al recorrido monitoreado, obtenga los coeficientes de asime-
tría de Pearson y de Fisher. Brinde su interpretación.
Solución
i. Ingresar a Stat> Basic Statistics> Display Descriptive Statistics…
ii. Seleccionar la variable Recorrido
iii. Presionar el botón Statistics…
iv. Seleccione las siguientes estadísticas descriptivas: media, mediana,
desviación estándar, y coeficiente de asimetría (skewness). Pulse
el botón OK
v. Presionar el botón OK
El reporte obtenido se presenta a continuación:
Interpretaciones:
• Los participantes que valoraron el aplicativo como Deficiente o Acep-
table presentaron un recorrido que se distribuye en forma platicúrtica
(aplanada).
• Los participantes que valoraron el aplicativo como Excelente presenta-
ron un recorrido que se distribuye en forma leptocúrtica (apuntalada)
Q1 – 1.5(Q3 – Q1 ) Q3 + 1.5(Q3 – Q1 )
iii. Pulse el botón OK
iv. Seleccionar a la variable C. Electricidad
v. Presionar el botón OK
Nota: Si se desea que el gráfico de cajas se muestre en horizontal, enton-
ces, se debería haber pulsado el botón Scale, y marcar la opción Transpose
value and category scales.
Para editar el gráfico de cajas obtenido, se debe realizar lo siguiente:
i. Presionar el click derecho del mouse con el cursor sobre la caja.
ii. Seleccionar Add> Data Labels…
iii. En la pestaña Outliers, seleccionar la opción Use y-value labels
iv. Pulsar OK.
El gráfico editado se presenta a continuación:
iii. Pulse el botón OK
iv. Seleccionar a la variable a ser graficada C. Electricidad
v. Seleccionar a la variable cualitativa (categórica) Distrito.
vi. Presionar el botón OK.
Luego de obtenido el gráfico, editar para etiquetar los datos atípicos. El
gráfico editado se presenta a continuación:
Interpretación: Se aprecia que en las viviendas de Carabayllo y Comas
que conforman la muestra no existen datos discordantes; mientras que
en los distritos de Independencia y San Martín de Porres sí existen
datos discordantes.
0.125(320) = 40 encuestados:
192 encuestados
c. Nivel de satisfacción Medio: 0.60 × 320 =
De los 192 encuestados, el 37.5 % labora en el sector público, entonces:
0.375(192) = 72 encuestados
La diferencia con respecto a los 192 encuestados nivel de satisfacción
medio, corresponden al sector privado: 192 − 72 =120 encuestados.
Medio de pago
Sexo Total
Efectivo T. Débito T. Crédito
Hombre 16 30 50 96
Mujer 12 26 26 64
Total 28 56 76 160
Total
1 2 15 15 9.38 9.38
2 3 25 40 15.63 25.00
3 4 39 79 24.38 49.38
4 5 37 116 23.13 72.50
5 6 26 142 16.25 88.75
6 7 18 160 11.25 100.00
Total 160 100.00
b. f4 + f5 + f6 = 37 + 26 + 18 = 81 participantes
De forma similar: 160 – F3 = 160 − 79 =
81 participantes.
c. F5 – F3 = 142 − 79 = 63 grupos se encontraban conformados de 5 a 6
personas.
d. La cuarta parte (1/ 4) es el 25 %, y se tiene que:
h3 % 24.38 % < 25 %
=
Por lo tanto, no es cierto lo que se señala, ya que, en realidad, un poco
menos de la cuarta parte de los grupos en estudio se encontraban con-
formados por 4 personas.
e. H5 % = 88.75 % de los grupos se encontraban conformados por hasta
6 personas.
A partir del cual se construye la tabla de distribución de frecuencias
de los montos del consumo anual de energía eléctrica, tal como se mues-
tra a continuación:
1 [ – 〉 16.00
2 [ – 〉 112
3 [ – 〉 172
4 [ – 〉 19.20
5 [ – 22 000〉 20 000
Basado en el gráfico de bastones, obtenga e interprete adecuadamente las
siguientes medidas estadísticas solicitadas.
a. La media.
b. La mediana.
c. La moda.
Solución
a. Cálculo de la media.
5
∑ yi fi 1 22 + 2 50 + 3 32 + 4 18 + 5 6
=y i =1 =
( ) ( ) ( ) ( ) (=) 320 = 2.5
n 128 128
0 1 1 1 1 1 1 2 2 2 3 4
x(1) x(2) x(3) x(4) x(5) x(6) x(7) x(8) x(9) x(10) x(11) x(12)
n = 12
Como n es par, entonces:
x +x
n n
+ 1 x(6) + x(7) 1 + 1
Me(=
X) 2 2 = = = 1
2 2 2
Interpretación: El 50 % de los jóvenes encuestados posee a lo más 1
tarjeta de crédito.
b. Si se añaden jóvenes con 3 tarjetas de crédito, estos ocuparán la posición
x( 11) en adelante, y por lo tanto el tamaño de la muestra (n) aumentaría.
Entonces, si se desea que la mediana se modifique, debería ser
mayor que 1.
a. Obtenga e interprete el tiempo promedio de uso de los servicios libres
que ofrece el club de campo.
b. Si el club de campo se encuentra ofreciendo ofertas y promociones para
la realización de actividades, por lo cual se espera que el tiempo de uso
de los servicios libres disminuya en un 20 %, ¿cuál será el nuevo tiempo
de uso promedio?
Cálculo de la media:
1 k 90 (10 ) + 150 ( 64 ) + 210 ( 97 ) + 270 (100 ) + 330 ( 49 )
=
M (Y ) =∑ yi fi
n i =1 320
74 040
=
M (Y ) = 231.375 minutos
320
Interpretación: Los usuarios del club de campo que se han hospedado
en las cabañas durante los fines de semana usan los servicios libres un
promedio de 231.4 minutos, aproximadamente.
b. Haciendo uso de las propiedades de la media:
=
M =
(0.80Y ) 0.80 M (Y ) 0.80 ( 231.375 ) 185.1 minutos.
El nuevo tiempo promedio de uso de los servicios libres del club de
campo será de 185.1 minutos.
b. Se sabe que: x = nA x A + nB xB
n A + nB
c. Sea,
X: monto de los nuevos créditos,
Y : monto de renovación de créditos, y
Z: monto total de créditos.
Se tiene: M ( X A ) = 68 300 , M (YA ) = 94 500
Haciendo uso de las propiedades de la media:
M(ZA ) =
M( X A + YA ) =
=M( X A ) + M(YA ) = S / 162 800
68 300 + 94 500 =
d. zB =
M ( ZB ) =M( XB + YB ) =
=M( XB ) + M(YB ) = S / 158 800
70 200 + 88 600 =
nA z A + nB zB 4(162 800) + 6(158 800) 1 604 000
= z = = = S / 160 400
nA + nB 4+6 10
Total
Variable Count Q1 Median Q3
H. Conexión 80 19.200 23.700 29.100
Grupo A Grupo B
Grupo A Grupo B
n
∑ xi 2100 2100
M(X) i =1 = 70 = 75
30 28
n
n 2 2
S(X ) 20 25
C.V.% 100 % 100 % = 28.57 % 100 % = 33.33 %
x 70 75
Grupo A Grupo B
N.° acumulado de
Monto de compra
clientes (fi )
[0 − 80〉 12
[80 − 160〉 37
[1600 − 240〉 97
k
∑ yi fi
36 000
M(Y ) i =
= =1
= 225
n 160
Intervalo mediano: [1600 − 240〉
k 2 2
∑ yi fi − nx 9 664 000 − 160( 225)2
= S(Y ) i =1
= ≈ S/ 99.179
n −1 160 − 1
Y 1.04(Y) + 5
20. Sean los siguientes indicadores asociados a los tiempos de atención en las
ventanillas de una agencia bancaria:
Q1: 70 segundos
Q3: 150 segundos
Uno de los datos registrados corresponde a un tiempo de atención de
4 minutos con 55 segundos ( 4 : 55) : ¿es un dato discordante? Justifique.
Solución
Sería considerado como un dato discordante superior si se cumple que:
xi > Q3 + 1.5RIQ xi =
295 segundos ( 4=
: 55 4(60) + 55)
RIQ = 150 − 70 = 80 segundos
Se observa que: 295 < 180 + 1.5(80) =
300
Por lo tanto dicho dato NO será considerado como un dato discordante.
34 16 26 34 29 31 41 19
26 40 4 7 31 14 16 22
38 39 30 6 17 32 57 25
22 37 31 33 11 21 37 12
23 43 28 30 27 24 35 25
Muestra:
Variable Clasificación
Escuela
Residencia
Variables
Experiencia
G. capacitación
Capacidad
Variable Parámetro
elegida Estadístico
Provincia
Intensidad Total
Canta Cañete Huarochirí Yauyos
Leve
Moderado
Intenso
Total
6. Sobre la base de una muestra de 150 usuarios del servicio de televisión por
cable o satelital, residentes en alguno de los 3 distritos considerados para el
estudio, se ha determinado lo siguiente:
• La muestra fue recogida equitativamente en los tres distritos.
• De los usuarios que residen en Pueblo Libre, el 20 % paga tarifas men-
suales por señal de cable o satelital entre 50 y 100 soles.
• De los usuarios que residen en Magdalena, el 20 % paga entre 100 y 150
soles.
• De los que viven en Los Olivos, el 30 % paga entre 150 y 200 soles.
• De los 40 usuarios que pagan entre 50 y 100 soles, 10 residen en Los
Olivos, y de los 60 que pagan entre 100 y 150 soles, igual cantidad de
entrevistados reside en Pueblo Libre y Los Olivos.
Pueblo Libre
Magdalena
Los Olivos
Total
Si se sabe que el 62.5 % de los jóvenes encuestados acceden a conteni-
dos multimedia desde, a lo más, dos dispositivos distintos, responda según
se solicite.
a. ¿Cuántos jóvenes encuestados acceden a contenidos multimedia desde 4
dispositivos?
b. ¿Cuál es el porcentaje de jóvenes encuestados que accede a contenidos
multimedia desde 2 a 3 dispositivos?
c. ¿Cuál es el porcentaje de jóvenes encuestados que accede a contenidos
multimedia desde por lo menos 2 dispositivos?
Si se sabe que F4 − F2 =
64 familias, responda a las siguientes preguntas:
a. ¿Cuál es la amplitud de los intervalos?
b. ¿Entre cuáles valores se encuentra el último intervalo?
c. ¿Cuántas familias conforman el cuarto intervalo?
d. ¿Cuántas familias gastaron un monto comprendido entre [2700,
2800, 4500
4600〉 ?
Máquina B
yi fi
(Pesos en g)
[131, 139〉 135 2
[139 , 147〉 143 4
[147 , 155〉 151 13
[155, 163〉 159 4
[163, 171] 167 2
Total = 25
a. ¿Cuál es el valor del kilometraje recorrido promedio?
b. ¿El kilometraje recorrido presenta una distribución homogénea?
Boxplot of Puntaje
95.9
95
90
85
Puntaje
75
71.7
70
Avanzado Básico Intermedio
Nivel
De acuerdo al diagrama de cajas presentado marque con un aspa (X) la
opción correcta.
2 Probabilidad
Sabes
En los procesos de ingeniería, así como en Capacidades adquiridas
la gestión empresarial y de negocios, sur-
9 Diferenciar las diferentes técnicas de
gen situaciones de incertidumbre sobre los
conteo.
diferentes resultados de un proyecto o de
9 Comprender los conceptos y funda-
una actividad en general para las cuales
mentos de la probabilidad.
se requiere de una medición sobre la po-
sibilidad de que ocurra uno u otro even- 9 Calcular e interpretar las probabili-
to. La teoría de la probabilidad brinda una dades de ocurrencia de un evento.
respuesta a las inquietudes planteadas, a 9 Deducir y relacionar los teoremas de
partir de lo cual se brinda un sustento for- probabilidad.
mal a la toma de decisiones, en diferentes
contextos de aplicación.
Piensas
Competencias por lograr
Conocimientos previos 9 Identificar la técnica de conteo
adecuada a cada contexto.
Estadística descriptiva, teoría de
conjuntos, manejo de notación 9 Reconocer las situaciones de uso
matemática de los diferentes teoremas de
probabilidad.
Secciones
1. C
onceptos básicos
Haces
2. Técnicas de conteo Habilidades por desarrollar
Es aquella acción tal que, bajo determinado conjunto similar de condiciones ini-
ciales, no siempre da el mismo resultado. Es lo contrario a un experimento deter-
minista, donde se conoce el resultado antes de realizar la acción (conocimiento a
priori). Comúnmente se le denota a un experimento aleatorio con ε.
En consecuencia, un experimento aleatorio ε debe cumplir las siguientes
condiciones:
a) Debe tener más de un posible resultado el cual no se puede predecir con
seguridad.
b) Es posible describir el conjunto de todos los resultados posibles.
c) Puede repetirse infinitas veces.
Ejemplo 1
A continuación se presentan algunos experimentos aleatorios:
i. Lanzar un dado y observar el lado superior.
ii. Elegir 2 artículos de una línea de producción y observar si son defectuosos
o no defectuosos.
iii. Seleccionar a un elector y determinar su candidato presidencial preferido
entre dos candidatos posibles.
Ejemplo 2
A continuación, se presentan los espacios muestrales asociados a los experi-
mentos aleatorios definidos en el ejemplo 1 :
i. Lanzar un dado y observar el lado superior.
Ω ={1, 2, 3, 4, 5, 6}
ii. Elegir dos artículos de una línea de producción y observar si son defectuosos
(D) o no defectuosos ( D).
Ω ={( D , D), ( D , D), ( D , D), ( D , D)}
iii. Seleccionar a un elector y determinar su candidato presidencial de preferen-
cia entre dos candidatos posibles.
Ω ={candidato A, candidato B}
1.3 Suceso
Cada elemento del espacio muestral (Ω) se denomina suceso y se designa por w.
En todo espacio muestral se observa que:
a. Cada w que pertenece a Ω es un resultado del experimento aleatorio.
b. A cada resultado del experimento aleatorio le corresponde un, y solo un,
w ∈ Ω.
Ω ={w1 , w2 , . . . , wn }
1.4 Evento
Ejemplo 3
En relación al experimento aleatorio de lanzar un dado y observar el lado
superior, se definen los siguientes eventos:
i. A: Sale número 6. A = {6}
ii. B: Se obtiene un número par. B = {2, 4, 6}
iii. C: Se obtiene un número impar. C = {1, 3, 5}
iv. D: Se obtiene un número mayor que 3. D = {4, 5, 6}
v. E: Se obtiene un número mayor que 7. E = ∅
vi. F: Se obtiene un número menor que 7. C = {1, 2, 3, 4, 5, 6}
Con los eventos así definidos, se procede a identificar a cada uno de los
eventos especiales señalados:
i. Evento elemental. A = {6}
ii.
Evento seguro. F = {1, 2 , 3, 4, 5, 6} = Ω
iii. Evento imposible. E= ∅
iv. Evento opuesto o contrario. C = B , ya que B = {1, 3, 5}
v. Eventos simultáneos. C y D, ya que C D = {5} ≠ ∅
vi. Eventos incompatibles o disjuntos. A y C, ya que A C = ∅
vii. Eventos colectivamente exhaustivos. B y C, ya que
B C = ∅ ∧ B C =Ω
Ejemplo 4
Una empresa constructora se encuentra evaluando si se presenta a alguna de
3 licitaciones; un evaluador brindará su recomendación sobre las licitacio-
nes a cuáles presentarse, donde la decisión por cada de ellas puede ser: Sí se
presenta a la licitación (S) o No se presenta (N), de tal forma que el espacio
muestral queda definido de la siguiente forma:
Ω ={NNN, NNS, NSN, NSS, SNN, SNS, SSN, SSS}
Se definen los siguientes eventos en relación a la recomendación sobre las
tres licitaciones a presentarse:
Con los eventos así definidos, se procede a identificar a cada uno de los
eventos especiales señalados:
i. Evento elemental. A = {NNN}
ii. Evento seguro. D = Ω
iii. Evento imposible. E= ∅
iv. Evento opuesto o contrario. A = C , ya que C ={NNN}
v. Eventos simultáneos. B y F, ya que B=
F {SSS} ≠ ∅
vi. Eventos incompatibles o disjuntos. A y B, ya que A B = ∅
vii. Eventos colectivamente exhaustivos. A y C, ya que
A B =∅ ∧ A C =Ω
2. Técnicas de conteo
Para el cálculo de probabilidades es importante cuantificar el espacio muestral
de un experimento aleatorio; sin embargo, en muchos casos, esta cuantificación
se torna difícil puesto que, por lo general, los experimentos aleatorios tienen
gran cantidad de resultados posibles. De ahí surge la necesidad de utilizar téc-
nicas que permitan determinar el número de resultados posibles de un experi-
mento aleatorio que se esté estudiando sin necesidad de hacer una lista o rela-
ción de todos los posibles resultados.
Solución
• Compra de una laptop de la marca R: 2 maneras
• Compra de una laptop de la marca S: 3 maneras
• Compra de una laptop de la marca T: 1 manera
Por el principio de adición, la compra de una laptop se puede realizar de
2 + 3 +1 =6 maneras.
Ejemplo 6
En una clínica se utilizan cinco símbolos para clasificar las historias clínicas de
sus pacientes, de manera que los dos primeros son letras y los 3 últimos son
dígitos. Suponiendo que hay 25 letras (incluyendo las cinco vocales), ¿cuántas
historias clínicas podrían identificarse si:
a. Las letras y los números se pueden repetir.
Solución
• Para el primer símbolo se podrán utilizar 25 letras disponibles.
• Para el segundo símbolo se podrán utilizar 25 letras disponibles.
• Para el tercer símbolo se podrán utilizar 10 dígitos disponibles.
• Para el cuarto símbolo se podrán utilizar 10 dígitos disponibles.
• Para el quinto símbolo se podrán utilizar 10 dígitos disponibles.
Por el principio de multiplicación, el número de posibles identifica-
ciones de historias clínicas es de: ( 25)( 25)(10=
)(10)(10) (=
252 )(103 ) 625 000
maneras distintas.
2.3 Permutaciones
Se tiene n objetos diferentes y se desea saber de cuántas maneras pueden ser or-
denados, por ejemplo, en una línea, sin que los elementos se repitan. Aplicando
el principio de multiplicación, se observa que cualquiera de estos n objetos pue-
de ocupar la primera posición, restarán (n-1) objetos para la segunda posición,
(n − 2) para la tercera posición y así sucesivamente hasta llegar a (n − (n − 1))
para la última posición; luego, el número de posibles ordenamientos de n objetos
en una línea que consta de n posiciones es:
Factorial
El factorial de un número se define como el producto de los n
primeros enteros positivos, es decir:
n ! = n(n − 1)(n − 2)... ( 2)(1), con 0 ! = 1.
Ejemplo 7
Para un examen en aula de cómputo se espera la llegada de a lo más 6 alum-
nos, quienes serán ubicados por orden de llegada, de izquierda a derecha,
en una fila donde hay 6 computadoras. Para los siguientes casos, indique el
número de maneras en que los diferentes alumnos pueden ser ubicados, en
las computadoras disponibles:
a. Llegan los 6 alumnos, uno tras otro.
Solución
• La primera computadora será ocupada por uno de 6 alumnos posibles.
• La segunda computadora será ocupada por uno de los 5 alumnos
restantes.
• Se procede de forma similar hasta que la sexta computadora será ocupa-
da por el único alumno restante.
Por el principio de multiplicación, la cantidad de maneras distintas de
ubicar a los 6 alumnos es de: (6)(5)( 4)(3)( 2)(1) = 720
En resumen, dado que interesa el orden de llegada de los alumnos, el
número de maneras de ubicarlos es: P6=
6
! 720
6=
Nota: Este ejemplo (7.b) puede ser resuelto de una forma alterna, que se
detallará más adelante.
Ejemplo 8
¿Cuál es el total de posibles arreglos que se pueden hacer con las letras de la
palabra PROBABILIDAD?
Solución
• La palabra consta de 12 letras de las cuales 8 letras son distintas.
• Entre las 12 letras hay algunas que se repiten 2 veces: A, B, D, I, y las demás
son diferentes.
• Por lo tanto, el total de posibles arreglos de las letras que conforman la
palabra es:
12 ! 12 !
P212, 2 , 2 , 2 ,1=
,1,1,1 = = 29937 600
2 ! 2 ! 2 ! 2 !1!1!1!1! ( 2 !)4
i. C 1n = n ii. C nn−1 = n n
iii. C n =1 n
iv. C 0 =1
Ejemplo 9
Luis tiene 10 amigos, de los cuales invitará a una reunión solamente a 7
de ellos.
a. ¿De cuántas maneras puede Luis invitar a sus amigos?
Solución
Como no interesa el orden en que elija a sus invitados, Luis tiene:
10 10 !
= = 120 maneras distintas de hacer las invitaciones.
7 7 ! 3!
b. ¿De cuántas maneras puede Luis invitar a sus amigos si dos de ellos están
enemistados y no pueden asistir juntos?
Solución
• Luis puede invitar a uno o ninguno de los amigos enemistados; por tanto:
• Maneras de no invitar a ninguno de los 2 amigos, e invitar a 7 de los
2 8
8 restantes: = (1)( 8 ) = 8
0 7
• Maneras de invitar a uno de los 2 amigos, e invitar a 6 de los 8
2 8
restantes: = ( 2 )( 28 ) = 56
1 6
Por el principio de la adición, número de maneras =
2 8 2 8
+ =8 +
56 ==64
+ 58 64
0 7 1 6
Solución
• Maneras en que se presentarán los 4 alumnos de 6 posibles (no interesa
6!
el orden):
= C 4 = 15
6
4 !(6 − 4)!
• Maneras distintas de ubicar a los 4 alumnos que llegan es de: P4=
4
4=! 24
(ver ejemplo 7a)
En resumen, se ubicarán de= C46 P44 (15
= )( 24) 360, maneras distintas, re-
sultado que coincide con lo presentado en el ejemplo 7b.
Ejemplo 11
Para hacer visitas de trabajo a 3 sucursales de provincias en grupos de 5, se
dispone de 6 mujeres y 9 hombres.
a. ¿Cuántos grupos distintos se pueden formar?
Solución
Como no interesa el orden para formar los 3 grupos, entonces:
• Maneras de seleccionar a 5 de 15 personas posibles:
15 15 !
=
= 3003
5 5 !(15 − 5)!
• Maneras de seleccionar a 5 de 10 personas restantes:
10 10 !
=
= 252
5 5 !(10 − 5)!
5 5!
=
• Maneras de seleccionar a 5 de 5 personas restantes: = 1
5 5 !( 5 − 5)!
Por el principio de la multiplicación, número de maneras de formar los
15 10 5 15 !
3 grupos de 5 personas en cada grupo = = = 756 756
5 5 5 5 ! 5 ! 5 !
b. ¿De cuántas maneras pueden formarse tales grupos de modo que en cada
uno de ellos estén siempre dos mujeres?
Solución
Cada grupo de 5 personas estará integrado por 3 hombres y 2 mujeres;
es decir:
• Primer grupo: 3 hombres de 9 posibles y 2 mujeres de 6 posibles.
• Segundo grupo: 3 hombres de 6 posibles y 2 mujeres de 4 posibles.
• Tercer grupo: 3 hombres de 3 posibles y 2 mujeres de 2 posibles.
3. Probabilidad
3.1 Introducción
Ejemplo 12
Cinco fabricantes producen un determinado dispositivo electrónico cuya ca-
lidad varía de un fabricante a otro. Si usted eligiera tres fabricantes al azar,
¿cuál es la probabilidad de que la selección contenga exactamente dos de los
tres mejores?
Solución
Puesto que en la elección no interesa el orden, el número de maneras de elegir
a los 3 fabricantes es:
5
n(Ω=
) =
3
10
Se define E: la selección contiene a dos de los 3 mejores.
• Seleccionar a 2 de 3 mejores fabricantes, y
• Seleccionar a 1 de los 2 no mejores
Ejemplo 13
La Municipalidad de Lima ha convocado a 3 licitaciones para construir in-
tercambios viales. A la licitación 1 (L1) se han presentado las empresas A, B
y D; a la licitación 2 (L2) se han presentado las empresas A, B, C y E y a la
licitación 3 (L3) se han presentado las empresas A, B, C, D y E. Todas tienen
la misma probabilidad de ser elegidas.
a. ¿De cuantas maneras se puede elegir a los ganadores de las 3 licitaciones?
Solución
n(Ω) (3)(
= = 4)(5) 60 maneras
24
P( F
= ) = 0.40
60
Ejemplo 14
Una compañía ha decidido comprar 6 computadoras de las cuales 3 deben
ser portátiles y 3 fijas, y para realizar la compra se han presentado varias
propuestas. De la empresa Teledata se ha evaluado 3 modelos portátiles
y 3 fijos, de la empresa Dataservice se ha evaluado 4 modelos portátiles y
5 fijos. Si todas las computadoras tienen la misma probabilidad de ser
elegidas, responda.
a. ¿De cuantas maneras diferentes se puede hacer la compra?
Solución
• En total se ha evaluado 7 modelos portátiles y 8 modelos fijos.
• Adquirir 3 computadoras portátiles de 7 posibles, y 3 fijas de 8 posibles:
n(Ω)
= (C =
7
3)(C )8
3 (35
=)(56) 1960
= P( A)
(C )(C =
3
3 ) + (C )(C )
3
3
4
3
5
3 (1)(1) + ( 4)(10)
= 0.0209
n(Ω) 1960
Solución
w = 0.90
A B
Haciendo uso del diagrama
de Venn, se tiene: x y z
P( A) = x + y = 0.07
P( B) = y + z = 0.05
w = 0.90
P ( A B) =
w=
0.90 ⇒ P( A B) =
0.10 A B
Se sabe que:
P( A B) = P( A) + P( B) − P( A B) = 0.10 y = 0.02
x = 0.05 z = 0.03
Entonces:
( x + y) + ( y + z) − ( y)= 0.07 + 0.05 − y= 0.10
∴y =0.02
defecto) P( A B) –=
P(Solo un= P( A B) 0=
.10 – 0.02 0.08
4. Teoremas de probabilidad
Ejemplo 16
Con el propósito de conocer las causas por las que los estudiantes no consu-
men productos naturales enlatados, la consultora Data Mining Today aplicó
una encuesta a 400 estudiantes de diferentes instituciones educativas de
Lima. Los resultados obtenidos en relación al género se muestran en la si-
guiente tabla de contingencia.
Género Calidad (C) Difusión (D) Frescura (F) Precio (P) Variedad (V) Otros (O) Total
Si {A1, A2, ..., AK} es una partición del espacio muestral (Ω) y B es un evento con-
tenido en el mismo espacio muestral; entonces, la probabilidad de ocurrencia de
B se puede obtener mediante la siguiente expresión:
P( B) =
P ( A1 B) ( A2 B) ... ( AK B)
K K
= ∑ P( Ai B) ∑ P( Ai )P( B| Ai )
=
=i 1 =i 1
Ejemplo 17
De los reportes sobre una operación financiera, se tiene la siguiente información:
• La probabilidad de ganar menos de 20 000 soles es de 0.35;
• El 40 % de las veces se gana entre 20 000 y 40 000 soles;
• Cuando se gana menos de 20 000 soles, la probabilidad de no lograr la
meta es de 0.2; ;
• Si se gana entre 20 000 y 40 000 soles, la probabilidad de que se logre la
meta es de 0.6;
• Cuando se gana más de 40 000 soles, la probabilidad de no lograr la meta
es de 0.01.
P(G1 ) 0=
= .35, P(G2 ) 0.40, y por diferencia se tiene que P(G3 ) = 0.25
P( M|G1 ) 0=
= .80, P( M|G2 ) 0.60
= , y P( M|G3 ) 0.99
P( M ) = P(G1 ) P( M |G1 ) + P(G2 ) P( M |G2 ) + P(G3 ) P( M |G3 ) =,
= (0.35)(0.80) + (0.40)(0.60) + (0.25)(0.99) = 0.7675
Ganancia M M Total
Ejemplo 18
Del análisis de los registros (“log”) se concluye que las fallas habituales en
una máquina que viene dando problemas están relacionadas con tres pro-
cesos del sistema, P1, P2 y P3. Las fallas relacionadas con cada proceso son
el 20 %, 45 % y 35 % respectivamente. Sólo alguna de estas fallas conlleva
un apagado repentino de la máquina. De las fallas causadas por el primer
P( A|P1 ) = 0.30 A
P1
P( P1 ) = 0.20 P( A|P1 ) = 0.70 A
P( A|P2 ) = 0.55 A
P( P2 ) = 0.45
P2
P( A|P2 ) = 0.45
A
P( A|P3 ) = 0.10
P( P3 ) = 0.35 A
P3
P( A|P3 ) = 0.90 A
P( P2 A) (0.45)(0.55)
P( P2 |A)
= = = 0.7226
P( A) 0.3425
P( P3 A) (0.35)(0.01)
P( P3 |A)
= = = 0.1021
P( A) 0.3425
P( E|B) = 0.03 E
P( B) = 0.20
B
P( E|B) = 0.97 E
Caso de análisis:
Sean:
A: aparece el número 4 en un dado rojo, y
B: aparece el número 4 en un dado azul.
Si ambos dados se lanzan una vez, ¿cuál es la probabilidad de que ocurran
dos números 4 ?
P( A) = 1/ 6 , P( B) = 1/ 6 y P( A B) = 1/ 36.
P( A B) =
P( A) + P( B) – P( A)P( B) =
0.85 + 0.75 – (0.85)(0.75) =
0.9625
Ejemplo 21
Un empresario invierte en 3 proyectos diferentes: P1, P2 y P3. Por informa-
ción anterior, el empresario sabe que las probabilidades de éxito en estos pro-
yectos son de 0.6 , 0.7 y 0.9 , respectivamente, y, además, que los resultados
de estos proyectos son independientes.
P(Solo uno) = P( P1 P2 P3 ) + P( P1 P2 P3 ) + P( P1 P2 P3 )
= (0.6)(0.3)(0.1) + (0.4)(0.7)(0.1) + (0.4)(0.3)(0.9) = 0.154
Ejemplo 22
El gerente de logística de una empresa afirma que el desabastecimiento del
insumo A ocurre con probabilidad 0.1, el del insumo B ocurre con probabi-
lidad 0.08 y el del insumo C ocurre con probabilidad 0.05. Considerando
independencia para el abastecimiento de estos insumos en un momento de
operación elegido al azar, halle las probabilidades para los siguientes eventos:
Ejemplo 23
En una empresa de estudios de mercado se forman dos grupos de encues-
tadores. El primer grupo está compuesto por 15 hombres y 5 mujeres, y el
segundo grupo por 16 hombres y 6 mujeres.
a) Si se selecciona al azar una persona de cada grupo, ¿cuál es la probabili-
dad de que al menos una sea mujer?
5. Problemas resueltos
3 + C1 C 2
C 0 C= 3276 + 3780
10 28 10 28
• Probabilidad solicitada: ≈ 0.8364
C3
38 8436
Luego:
• Probabilidad solicitada:
C1 C 2 C1 + C 3 C 0
=
2
( 10 18
2(810 + 120)
10 18
≈ 0.2205
)
C3
38 8436
n(Ω) =500
n(T I E) = n(T ) + n( I ) + n( E) – n(T I ) – n( I E) – n(T E) + n(T I E)
Entonces, n(T I E) = 53
Diagrama de Venn:
n(Ω) =500
T I
30
93 82
53
10 164
68
53
P(Perfil) = P(T I =
E) = 0.106
500
93 + 82 + 68 243
= = = 0.486
500 500
c. Domine el idioma inglés y Excel, pero no pertenezca al tercio superior.
Solución
164
P[( I E) − T ]= P( I E T )= = 0.328
500
Servicio Variedad
Edad Total
Maestro Promart Sodimac Maestro Promart Sodimac
De 40 a más 5 5 4 8 15 12 49
Menos de 40 21 18 15 6 26 25 111
Total 26 23 19 14 41 37 160
C14
2 C2
35
54 145
• Probabilidad solicitada: = ≈ 0.25555
C4 49 211 876
5 45 5 45
+
P( A) =
0 5 1 4
= 0.9282
2118760
N(Ω) =3
20
10. En el depósito de la empresa Fabritext S.A hay dos lotes de cierto producto:
• El lote 1 contiene 5 unidades de buena calidad, 4 de regular calidad y 3 de
mala calidad.
• El lote 2 contiene: 8 unidades de buena calidad, 6 de calidad regular y 4 de
mala calidad.
Un comprador debe elegir al azar 4 unidades, y si elige al menos 2 unida-
des de buena calidad, compra los dos lotes. Sean las siguientes estrategias:
i. Estrategia 1: de cada lote se eligen, al azar, sin reemplazo y sin considerar
el orden, dos unidades.
ii. Estrategia 2: se juntan los dos lotes; luego, se seleccionan, al azar y sin
reemplazo, cuatro unidades.
iii. Estrategia 3: de cada lote se eligen, al azar y con reemplazo, dos unidades.
¿Con cuál de las estrategias se tiene una mayor probabilidad de que se com-
pre los dos lotes?
4200
P( A) =
1 − P( A) =
1− 0.58407
=
10098
Para la estrategia 2
El espacio muestral viene dado por:
30
n( Ω
= ) = 27 405
4
11220
P( A) =
1 − P( A) =
1− 0.59058
=
27405
Para la estrategia 3
El espacio muestral viene dado por:
n(Ω) (12=
= 2
)(182 ) 46 656
19740
P( A) =
1 − P( A) =
1− 0.57690
=
46656
Hay mayor probabilidad de concretar la compra usando la estrategia 2.
11. En una fábrica de pantalones, se trabaja con 3 máquinas (M1, M2, M3). La
producción de la máquina M1 equivale a la producción de M2 y M3 juntas
y además la producción de M2 es la quinta parte del total. El 60 % de la
producción de cada máquina corresponde a operarios antiguos y el resto a
operarios nuevos.
Si de la producción de la semana anterior (con las condiciones dadas), se
selecciona un pantalón al azar, halle la probabilidad de que:
1
P=
( M1 ) P( M 2 ) + P( M3 ) P ( M 2 )= = 0.20
(1), y
5
(2)
A A Total
P( R A) = P( R)P( A|R)
R 0.150 0.75
(0.75)(0.80) = 0.600
Se solicita: P( R|A)
P ( R A) 0.60
De la tabla se tiene que: P ( R
= | A) = = 0.8276
P ( A) 0.725
P( R A) 0.125
P( R=
| A) = = 0.4545
P( A) 0.275
Planta Clasificación
P ( PA = =
| PA ) 0.95 2
0.9025
C
2 PA
P( PA ) =
3 C
P ( PA = =
| PA ) 0.90 2
0.81
P( PB ) =
1 C
3 PB
C
2 1
P(C =
) (0.9025) + (0.81=
) 0.871667
3 3
14. Suponga que la SUNAT ha clasificado a las empresas por sectores (S1, S2 y
S3), y también según el índice del pago del impuesto a la renta del 2014 en
tres categorías (A1, A2 y A3).
Considerando las clasificaciones antes mencionadas el 30 % de las em-
presas son del sector S1 y de la categoría A1, el 10 % son del sector S1 y de
la categoría A2, el 60 % de las empresas son del sector S1, el 20 % de las
empresas son del sector S2 y de la categoría A1, el 5% de las empresas son
del sector S2 y de la categoría A3, y el 35 % de las empresas son del sector
S2. Además, se conoce que de las empresas que son del sector S3, el 60 %
pertenecen a la categoría A1; y de las que son de la categoría S3, el 20 % son
de la categoría A2. Se selecciona al azar una empresa.
A1 A2 A3 Total
S1 0.30 0.10 0.20 0.60
S2 0.20 0.10 0.05 0.35
S3 0.03 0.01 0.01 0.05
Total 0.53 0.21 0.26 1.00
Se solicita: P( A2 S3)
De la tabla elaborada se tiene:
P( A2 S3) =
P( A2) + P(S3) – P( A2 S3) =
0.21 + 0.05 – 0.01 =
0.25
P(O|L) = k O
P( L) = 0.30 L
O
P(O|L) = 0.15
O
P( L ) = 0.70 L
O
P(O=
) 0.30( k ) + (0.70)(0.15=
) 0.20 ⇒ k= 0.31667
Se solicita:
= P( L O) P=
( L)P(O | L) (0.30
= )(0.68333) 0.205
P( A) = 0.7 y P( B) = 0.90
=P( A B) P=
( A)P( B) (0.70
= )(0.90) 0.63
b. Se apruebe solamente el proyecto A antes de la próxima sesión de
Concejo?
Solución
17. En una tienda de calzado, el 40 % de las personas que ingresan al local rea-
liza una compra, y se sabe que la decisión de compra es independiente de
una persona a otra. Sobre los próximos 3 clientes que ingresarán a la tienda,
responda las siguientes preguntas:
a. ¿Cuál es la probabilidad de que los 3 clientes efectúen una compra?
Solución
Ci: Cliente i realiza una compra. i = 1, 2, 3
P(C1 C2 C3 ) P=
= (C1 )P(C2 )P(C3 ) 0.43 = 0.064
P(≥ 2=
) (3)(0.42 )(0.6) + 0.4=
3
0.288 + 0.064
= 0.352
= (0=
.6)5 + 5(0.6)(0.4)4 0.15456
6. Problemas propuestos
8. Una tienda tiene 3 vitrinas para mostrar sus productos, se puede colocar
1 o más artículos en una vitrina cualquiera. Si en cierto momento hay 4
artículos para exhibición. ¿Cuál es la probabilidad de que se utilicen solo 2
de las 3 vitrinas para los 4 artículos?
10. Un lote de producción tiene 100 unidades, de las cuales se sabe que 20 están
defectuosas. Una muestra aleatoria de 4 unidades se selecciona sin reem-
plazo. ¿Cuál es la probabilidad de que la muestra contenga a lo más dos
unidades defectuosas?
12. En unos grandes almacenes se tomó una muestra aleatoria de 10.000 com-
pras a lo largo de un año. Esas compras se clasificaron según la forma de
pago y el importe de las mismas. Se diferenciaron dos formas de pago: Con-
tado (B1) y Crédito (B2). Los importes se agruparon en tres categorías: me-
nos de 50 soles (A1), entre 50 y 500 soles (A2) y más de 500 soles (A3). Para
estos eventos se sabe que:
P(A1) = 0.3, P(A3) = 0.32, P(B1|A1) = 2/3, P(B1|A2) = 2/19, P(B1|A3) = 1/32
16. Una cervecería utiliza dos máquinas embotelladoras, pero no operan si-
multáneamente. La segunda máquina opera como sistema de respaldo de
la primera y opera sólo cuando la primera se descompone durante las horas
de trabajo. La probabilidad de que la primera máquina se descomponga en
horas de trabajo es 0.20. Si, efectivamente, la primera máquina se descom-
pone, se enciende la segunda máquina y tiene la probabilidad de descom-
ponerse de 0.30.
a. ¿Qué probabilidad hay de que el sistema embotellador de la cervecería
no esté funcionando en horas de trabajo?
b. La confiabilidad del proceso de embotellado es la probabilidad de que el
sistema esté operando en horas de trabajo. Calcule la confiabilidad del
proceso.
3 Variable aleatoria
Sabes
La variable aleatoria resume en un núme- Capacidades adquiridas
ro la información que contiene el resultado 9 Calcular medidas de posición y de
de un experimento aleatorio, lo que permi- dispersión.
te su análisis y posterior modelamiento. 9 Conocer las propiedades y los teore-
En la práctica, las variables aleatorias se mas acerca de las probabilidades.
ajustan a ciertos modelos probabilísticos
9 Graficar una función matemática.
en los cuales nos basamos para realizar
inferencias estadísticas que utilizan datos 9 Calcular la derivada y la integral de
obtenidos de una muestra aleatoria y es una función.
necesario aproximar una distribución de
probabilidad.
Piensas
Competencias por lograr
9 Definir una variable aleatoria y cons-
truir su función de probabilidad.
Conocimientos previos 9 Verificar las propiedades que debe
Estadística básica, teoría de conjuntos, tener una función de probabilidad de
funciones matemáticas, probabilidades. una variable aleatoria.
9 Construir la función de probabilidad
acumulativa.
9 Calcular la esperanza matemática y
la varianza de una variable aleatoria.
9 Interpretar apropiadamente la E(X),
Secciones V(X) y CV(X) de una variable aleatoria.
1. Definición.
2. Tipos de variables aleatorias Haces
3. Esperanza matemática y varianza
Habilidades por desarrollar
de una variable aleatoria
9 Identificar las características de un
4. Interpretación de la E(X), V(X) y
experimento aleatorio.
CV(X)
9 Escoger el modelo probabilístico
adecuado para resolver un problema
real.
1. Definición
Ω Rx ∈ �
w1 X(w1) = x1
w2 X(w2) = x2
Figura 1. Represen-
tación gráfica de una
wn X(wn) = xn
variable aleatoria.
Ejemplo 1
Supóngase que el experimento (ε), consiste en escoger tres artículos al azar
de un proceso de producción y se analiza la calidad de cada uno de ellos,
donde b: bueno y d: defectuoso.
Ejemplo 2
ABC es una empresa importadora de laptops de última generación. Para su
campaña universitaria compra 10 laptops exclusivas en tamaño y presenta-
ción. Después de 3 meses de exposición, la laptop queda desactualizada. Sea
la variable aleatoria X: número de laptops vendidas en el trimestre. Determine
el rango de X.
Solución
Los valores de la variable aleatoria X son:
X = {0, 1, 2, 3, 3, 4, 5, 6, 7 , 8, 9, 10}.
Ejemplo 3
Una empresa textil dispone de seis máquinas bordadoras computarizadas.
Sea X la variable aleatoria que representa al número de máquinas bordadoras
en uso en un momento específico de la jornada productiva. Determine los
valores (rango) de la variable X.
Solución
Los valores de la variable aleatoria X son:
X = {0, 1, 2, 3, 3, 4, 5, 6}.
Ejemplo 4
Suponga que la variable aleatoria X es el tiempo que demora un alumno en
responder un examen que tiene un tiempo máximo de 90 minutos de dura-
ción. Determine el rango de X.
Solución
Los valores que toma X son:
RX = {x / 0 < x ≤ 90} minutos.
2.1.1 Definición
ii) ∑ p( xi ) = 1
∀ xi ∈ RX
Nota.
1. p(xi) representa la probabilidad de que la variable aleatoria X tome el valor
de xi; es decir:
p(xi) = P(X = xi).
x 1 2 3 4 Total
b. Calcular:
i. P( X < 2), ii. P( 2 < X ≤ 4), iii. P( X ≤ 3 / X > 1)
Solución
i. P( X < 2) = P( X =1) = 0.30.
ii. P( 2 < X ≤ 4) = P( X = 3) + P( X = 4) = 0.20 + 0.10 = 0.30
P(1 < X ≤ 3) 0.60
iii. P( X ≤ 3 / X > 1=
) = = 0.857143.
P( X > 1) 0.70
Ejemplo 6
Una pizzería tiene cinco líneas telefónicas. Sea X la variable aleatoria que
representa al número de líneas en uso en un momento específico.
Supóngase que la función de probabilidad de X está dada en la
siguiente tabla:
x 0 1 2 3 4 5 Total
p(x) 0.05 0.15 0.20 0.15 0.25 0.20 1
Nota. Para responder a los incisos e) y f) se usó el criterio del evento comple-
mentario. Otra manera de responder a las preguntas sería construyendo la
función de probabilidad de Y , para luego en base a ella calcular las probabi-
lidades pedidas.
Ejemplo 7
La Facultad de Ingeniería acaba de recibir 5 módulos tecnológicos para fines
de enseñanza. Se dispone de 3 ambientes para colocarlos (hay la posibilidad de
que más de 1 módulo se coloque en un mismo ambiente). Construir la función
de probabilidad de la variable aleatoria, X: Número de ambientes elegidos para
colocar los 5 módulos.
Solución
Como se define X: número de ambientes elegidos para colocar los 5 módulos,
los valores que toma X son: 1, 2 y 3.
Se determina el número de casos posibles: n(Ω) =3 × 3 × 3 × 3 × 3 = 243
Luego, se calcula la probabilidad para cada valor que toma X:
i. Seleccionar a 1 de 3 ambientes, y luego seleccionar a 5 de los 5 módulos.
3 5
= 1)= =
1 5 3
P( X
243 243
ii. Seleccionar a 2 de 3 ambientes, y luego seleccionar a:
– 1 de los 5 módulos para el primer ambiente y a 4 de los 4 módulos
restantes para el segundo ambiente, o
– 2 de los 5 módulos para el primer ambiente y a 3 de los 3 módulos
restantes para el segundo ambiente, o así sucesivamente.
3 5 4 5 3 5 2 5 1
+
+
+
P( X= 2=)
2 1 4 2 3 3 2 4 1 = 3(5 + 10 + 10 + 5) = 90
243 243 243
3 5 4 3 5 4 2 5 4 1 5 3 2 5 3 1 5 2 1
+ + + + +
3 1 1 3 1 2 2 1 3 1 2 1 2 2 2 1 3 1 1
P( X= 3=
)
243
x 1 2 3 Total
3 90 150
P( X = x) 1
243 243 243
F( x)= P (X ≤ x)= ∑ p( x)
X≤x
Ejemplo 8
Sea X una variable aleatoria cuya función de probabilidad es:
x 1 2 3 4 5 Total
p(x) 0.05 0.25 0.30 0.25 0.15 1
Figura 2. Función de
probabilidad (cuantía).
Por ejemplo:
F( −=
1) P( X ≤ −1) = 0; F=
(0) P( X ≤=
0) 0; F(0.9999) = P( X ≤ 0.9999) = 0; lo
que se puede sintetizar y decir que F(X) = 0, si X < 1. Análogamente: F(1) =
F(1=
) P( X ≤ 1=
) 0.05; F(1.5=
) P( X ≤ 1.5=
) P( X ≤ 1=
) 0.05; F(1.99) = P( X ≤ 1.99) =
0.05; de lo cual se tiene que: F( x) = 0.05, si 1 ≤ X < 2.
P( X ≤ 1) =
P( X ≤ 1.99) =
Finalmente, la función de distribución es:
0.00, x <1
0.05, 1 ≤ x < 2
0.30, 2 ≤ x < 3
F ( x=) P ( X ≤ x=)
0.60, 3 ≤ x < 4
0.85, 4 ≤ x < 5
1.00, x≥5
Ejemplo 9
Una tienda de electrodomésticos ofrece a sus clientes diferentes opciones pa-
ra el pago de sus cuotas. Para un cliente seleccionado al azar, sea X, la varia-
ble aleatoria que representa al número de meses para el pago de las cuotas. Si
la función de probabilidad acumulada (distribución) está dada por:
0.00, x <1
0.39, 1 ≤ x < 4
0.53, 4 ≤ x < 6
F ( x)= P ( X ≤ x)=
0.69, 6 ≤ x < 8
0.80, 8 ≤ x <12
1.00, x ≥ 12
x 1 4 6 8 12 Total
p(x) 0.39 0.14 0.16 0.11 0.20 1
2.2.1 Definición
Nota
1. f ( x) no representa un valor de probabilidad, es la ordenada para un valor
de x, y puede tomar un valor mayor a la unidad.
2. La gráfica de la función f ( x) siempre debe estar encima del eje X.
3. A diferencia del caso discreto, donde un evento puede ser un valor parti-
cular que tome X, en el caso continuo, un evento debe ser necesariamente
un intervalo.
4. Sea el evento A, tal que ocurre cuando la variable X ∈ 〈 a , b〉 , entonces:
b
P( A)
= f ( x) dx
∫= ∫ f ( x) dx. La probabilidad de un evento, en este caso,
A a
constituye el área bajo la curva de la función f ( x), su representación
gráfica se muestra en la figura 4.
Ejemplo 10
Según el RENIEC, una persona debe esperar como máximo una hora para
obtener el duplicado de su documento nacional de identidad (DNI), siendo
este tiempo una variable continua con la siguiente función de densidad:
c(1 − x ), 0 ≤ x ≤ 1
3
f ( x) =
0,
otro caso
c. Si se sabe que hay 100 tiendas con ingresos inferiores a 800 soles. Determine
cuántas tiendas que comercializan juguetes tienen ingresos superiores a
800 nuevos soles.
Solución
Para calcular el número de tiendas que tienen ingresos mayores de 800
nuevos soles, se calcula primero el total de tiendas. Para ello, se usa la si-
guiente identidad:
0.8
0.8
3x 3x 2 3x 2 x3
Dónde: P( x < 0.8 ) =
∫ − dx = − = 0.352. Luego, se
0 2 4 4 4
tiene: 0
100 → 0.352
n → 1
Entonces: n = 284 tiendas en total, por lo tanto, el número de tiendas que
tienen ingresos superiores a 800 soles es de 184.
Nota.
Para calcular la probabilidad de un evento en el caso continuo (debe ser un inter-
valo) se pueden utilizar dos procedimientos:
1. Integrando la función de densidad de probabilidad en el intervalo donde
está definido el evento.
2. Utilizando la función de distribución en base a las siguientes identidades:
2.1 P( x < a) =
F ( a)
2.2 P( x > a) =
1 – F ( a)
2.3 P( a < x < b) =F ( b) – F ( a )
Ejemplo 12
El departamento de marketing de una firma distribuidora de automóviles
considera que el tiempo, en años, que transcurre para la renovación de un
automóvil por parte de un cliente típico es una variable aleatoria que puede
representarse por la función:
x2
, 0<x<6
f ( x) = 72
0, otro caso
0, x≤0
3
x
F( x)= P( X ≤ x)= , 0<x<6
216
1, x≥6
b. ¿Cuál es la probabilidad de que un vehículo se renueve después de 4 años?
Solución
43
P( x < 4) =−
1 F ( 4) =1− =0.7037.
216
c. Suponiendo que han pasado más de tres años desde la compra del vehícu-
lo, ¿cuál es la probabilidad de tardar más de cinco años en renovarlo?
Solución
P( X > 5) 1 − F (5) 0.4213
Se solicita: P( X > 5 | X >=
3) = = = 0.4815
P( X > 3) 1 − F (3) 0.875
3.1.1 Definición
∀x ∑ xi p( xi ), si X es discreta
i ∈ RX
E( X ) = µ =
∞
x f ( x)dx , si X es continua
∫
−∞
3.1.2 Propiedades
1. La esperanza matemática de una constante es la misma constante, es decir:
E(C ) = C.
E(C X ) C E( X ); C ≠ 0
2. =
3. E( X ± Y )= E( X ) ± E(Y )
4. Sea X una variable aleatoria discreta con función de cuantía p(x) y Y = G( X )
una función de X; entonces: E [G( X )] = ∑ G ( xi ) p( xi )
∀ xi ∈RX
Ejemplo 13
La variable aleatoria X, definida como el número de refrigeradoras vendidas
por día en cierta casa comercial, tiene la siguiente función de probabilidad:
x 1 2 3 4 5 6
p(x) c c 1/8 1/8 2c 2c
Como
= Y 100X − 150, entonces,
= E [Y ] 100=
E [ X ] – 150 100
= ( 4) – 150 250.
La casa comercial espera tener una ganancia diaria de 250 soles.
Solución
Se debe calcular la ganancia esperada para cada estrategia para determinar
cuál estrategia es la mejor para invertir. En efecto, se define la variable G =
ganancia de la inversión, entonces:
la estrategia 1: E(G) 9000
• Para= = (0.35) – 2000(0.65) 1850 dólares
la estrategia 2: E(G) 50008
• Para = = (0.6) – 3000(0.4) 1800 dólares
• Para la estrategia 3 como la utilidad es segura, su ganancia esperada es de
1800 dólares.
Si solamente se considera el criterio de la mayor ganancia esperada,
entonces, el inversionista debería escoger la estrategia 1, pues su ganancia
esperada es mayor.
Ejemplo 15
C 3X + 5X 2 , sien-
El costo de un proyecto en miles de dólares está dado por =
do X el tiempo empleado en meses, que es una variable aleatoria que verifica:
E[( X – ½)2 ] 13
= =/ 4 , y E[( X – 1)2 ] 2
1 1 1 13
E[( x − 1/ 2)2 ] E X 2 – 2X =
= 2 + 4 E( X ) −=
2
E( X ) + (1)
4 4
Ejemplo 16
Las pérdidas (en millones de soles) debido a incendios en una galería
comercial se pueden considerar una variable aleatoria X con función
de probabilidad:
c( 20 − x), 0 < x ≤ 20
f ( x) =
0, en otro caso
0 , x≤0
x2
De donde: F ( x=) P( X ≤ x )
= 0. 1 x − , 0 < x < 20
200
1 , x ≥ 20
P( X >=
8) 1 – P( X ≤=
8) 1 – F=
(8) 1 – (0.80 – 0.=
32) 0.52
3.2 Varianza
3.2.1 Definición
∑ ( xi − µ)2 p( xi ), Si X es discreta
i
∀ x ∈ R X
V ( X ) =s2x = ∞
( x − µ)2 f ( x)dx , Si X es continua
−∫∞
3.2.2 Propiedades
Ejemplo 17
Un concesionario compra 5 motos de alta cilindrada a un precio al por mayor
de 2.5 miles de soles cada moto, y las vende a 4.0 miles de soles. Después de
x 0 1 2 3 4 5 Total
1 2 2 3 4 3
P(X = x) 1
15 15 15 15 15 15
V
= (G) V (7.5 –=
2X ) 2 2 V
= ( X ) 4( 2.3289
= ) 9.3155 ⇒
= sG 3.052 miles de
soles.
Ejemplo 18
El pago, en miles de soles, que debe realizar una aseguradora por gastos mé-
dicos ambulatorios de un asegurado a una clínica es una variable aleatoria
0 , x≤0
2
2x x3
F( x) = P( X ≤ x ) = − , 0<x<3
9 27
1 , x≥3
b. El gerente financiero de la aseguradora afirma que los pagos por este con-
cepto son muy heterogéneos, puesto que el coeficiente de variación supera
el 30 %. Verifique esta afirmación.
Solución
3
13 2 1 4 3 1 4
E( X )= ∫ x ( 4 − x) dx= x − x = 1.75
90 9 3 4 0
3
13 1 1
E( X ) = ∫ x3 ( 4 − x) dx = x 4 − x5 = 3.6
2
90 9 5 0
0.5375
V ( X ) = 3.6 −1.752 = 0.5375 ⇒ C.V = ×100 = 41.89 %
1.75
Se verifica la afirmación dada por el gerente financiero.
Ejemplo 19
Tomando como base datos históricos, la distribución de las ventas diarias de
paquetes de un producto en una tienda es como sigue:
Solución
Utilizando las fórmulas definidas anteriormente para su cálculo obtenemos:
1.45
E( X )= 11.5; V ( X )= 133.7 − 11.52 = 1.45; C.V = × 100= 10.471 %
11.5
El valor de E(X) = 11.5 se interpreta como sigue: si la tienda registrara las
ventas de los paquetes de un gran número de días, el promedio de estos valo-
res será un valor cercano a 11.5, es decir, E(X) = 11.5 es un valor de convergen-
cia si se registran las ventas de un número muy grande de días, dicho de otro
modo, en un grupo de días (muestra) el promedio puede ser mayor, mientras
que en otra muestra podrá ser menor, pero en general convergerán hacia 11.5.
Aunque E(X) recibe también el nombre de valor esperado, de ninguna ma-
nera debe entenderse como el valor esperado de las ventas que ocurren en
un día cualquiera. Nótese que esto es imposible desde que las ventas diarias
asumen valores diferentes de 11.5.
La V(X) = 1.45 no tiene una interpretación directa. En cambio, la desviación
estándar igual a 1.204 sí la tiene. El valor de la desviación estándar se puede
interpretar como la desviación promedio de los datos con respecto al valor
medio (11.5 paquetes).
Finalmente, el valor del coeficiente de variación: CV(X) = 10.471 %, indica
que las ventas diarias son moderadamente homogéneas. Por lo tanto, se pue-
de decir que existe regularidad en las ventas diarias.
0 , x≤0
x
2
, 0< x ≤ 5
50
De donde: F ( x )= P ( X ≤ x ) =
1 + x − x , 5 < x < 10
2
50 5
1 , x ≥ 10
4.952
1 + 5.05 − 5.05 =
2
= +1− 0.9801
50 50 5
Ejemplo 21
Sea la demanda anual de aceite lubricante (en miles de galones) una variable
aleatoria continua X con función de densidad dada por:
1
, 2≤x≤4
f ( x) = 2
0 , otro caso
c. Hallar: P(µ x − s x ≤ X ≤ µ x + s x )
Solución
Reemplazando los valores de la media y la desviación estándar se tiene:
3.5772
3.5772 1 x
P( µ − s ≤ X ≤=
µ − s) P( 2.4227 ≤ X ≤=
3.5772 ) = ∫ dx =
2 0.57725.
2.4227 2 2.4227
d. Por cada millar de galones vendidos se obtiene una utilidad de 300 dó-
lares, mientras que cada millar no vendido produce una pérdida de 100
dólares. Un fabricante decide producir este tipo de aceite para todo un
año, ¿cuál debe ser la producción óptima que logre maximizar su utilidad
esperada?
Solución
X: demanda anual de aceite lubricante (en miles de galones) y tiene por
función de densidad de probabilidad:
1
2≤x≤4
f ( x) = 2
0 otro caso
Se define:
k = la cantidad a producir en el año (en miles de galones)
La variable aleatoria:
U = Utilidad del fabricante
La utilidad depende de la cantidad vendida, de acuerdo a la demanda,
y se define como:
300 x −100 ( k − x ) , x ≤ k
U ( x) = , de donde:
300 k , x>k
1. Problemas resueltos
X 0 2 3 Total
P(x) 0.16 0.32 0.52 1
3 4
=b. P ( x) c=
; para x 0 , 1, 2
x 4 − x
Solución
Usando la segunda condición de la definición se tiene:
3 1
∑ p ( x)= 1.0 ⇒ c + 12c + 18c= 1 de donde : c= y la función de pro-
x =1 31
babilidad es:
X 0 1 2 Total
P(x) 0.0323 0.3871 0.5806 1
3. Una caja contiene 7 fichas, de las cuales 3 son rojas y 4 son azules. Se selec-
cionan al azar y sin reemplazo 2 fichas. Si las fichas son del mismo color se
obtiene una utilidad de $ 2, en caso contrario, se pierde $ 1.
x 2 3 4 5 6 7 Total
7. Una fábrica tiene dos líneas de producción que trabajan en forma inde-
pendiente. Según estudios realizados, la probabilidad de que, en un día, la
línea de producción 1 tenga problemas en su funcionamiento es de 0.1;
mientras que, para la línea de producción 2, la probabilidad correspon
diente es de 0.05.
a. Si se selecciona al azar un día, construya la función de probabilidad y la
función de distribución de la variable aleatoria X: Número de líneas de
producción que tuvieron problemas en su funcionamiento en dicho día.
Solución
Como la variable aleatoria se define por:
X = Número de líneas de producción que tuvieron problemas en su fun-
cionamiento en dicho día; entonces, los valores que toma la variable X
son: 0, 1 y 2. Se conoce que:
Y 5X + 2; entonces:
Luego, como =
E(Y ) = 5E[X ] + 2 = 5 × 0.15 + 2 = 2.75
1.854
Luego: C.V (Y )= × 100= 67.418 %
2.75
Cartera A Cartera B
Condición
Rendimiento Rendimiento
económica Probabilidad Probabilidad
monetario monetario
Recesión –300 0.2 –500 0.1
Estabilidad 500 0.3 400 0.4
Crecimiento
1000 0.4 1200 0.3
moderado
Auge repentino 2000 0.1 2800 0.2
Acciones A Acciones B
x p(x) x × p(x) x p(x) x × p(x)
–110 1–p –110(1 – p) –300 1–p –300(1 – p)
420 P 420p 650 p 650p
Total 1 –110 + 530p Total 1 –300 + 950p
11. El señor Arias quiere asegurar su casa por US$ 80 000. La compañía de se-
guros estima en 0.004 la probabilidad de que ocurra una pérdida total; en
0.01 la de que sufra una pérdida de US$ 40 000 y en 0.03 de que la pérdida
sea del US$ 20 000. Si la aseguradora no pagará indemnización por otras
pérdidas parciales; ¿cuál sería la ganancia esperada de la compañía en pó-
lizas de este tipo si el cliente paga US$ 1500 por dicha póliza?
Solución
Se define la variable aleatoria:
X: ganancia por póliza (dólares), los valores que toma X y su función de
probabilidad son:
X p(x) x × p(x)
P – 12 000 0.012 0.012P – 144
P – 7200 0.018 0.018P – 129.6
P – 2400 0.120 0.12P – 288
P 0.850 0.85P
Total 1 P – 561.6
Se debe obtener un valor de P tal que: E(X) = 50, de donde: P – 561.6 = 50,
entonces: P = 611.6
La prima a cobrar debe ser de 611.6 dólares.
Nota. Para calcular las probabilidades p(x) se usó:
P(X = P – 12000) = P(tenga un accidente y una pérdida total) =
= P(tenga un accidente) × P(pérdida total/tenga un accidente)
= 0.15 × 0.08 = 0.012
13. Los impulsos provenientes de una fuente emisora tienen una intensidad
(en kg.m2/s) que es considerada una variable aleatoria X cuya función de
distribución acumulada es:
0 , x≤0
4
x
F( x ) , 0 < x < 3
=
81
1, x ≥3
a. Calcular la probabilidad de que la fuente emisora tenga un impulso con
intensidad entre 1 y 2
Solución
24 14 15
P(1 <=
x < 2) F( 2=
) – F(1) − = = 0.1851
81 81 81
(0.1975)5 + 5(0.8025)(0.1975)4 =
= 0.006405
3
4 x33 4 x6
E( X ) =
2
∫ x × dx =
2
=
6
0 81 486
0
f ( x) kx 2
= −1 < x ≤ 2
a. Halle el valor de k y construya la función de distribución acumulada
de X.
Solución
Usando la segunda condición de la definición para hallar k se tiene:
2
2 x3 1
∫ k x dx = 1, ⇒ k = 1, ⇒ k =
2
−1 3 3
−1
15. El recorrido (en kilómetros) que los automovilistas logran con cierto tipo de
neumáticos es una variable aleatoria con función de distribución acumula-
da dada por:
F( x) =P( X ≤ x) =1 − e - x / 20000 ; x > 0
Y Condición Probabilidad
50 X ≥ 1500 0.92774
Por lo tanto, la longitud mínima del 20 % que duran más es de 3.2 mm.
E(Y ) =
100 + 0.05(3000) =
250 dólares.
b. La probabilidad de que uno de los vuelos llegará entre uno y tres minu-
tos retrasado, dado que se sabe llegó retrasado.
Solución
3 1
∫ (36 − x 2 ) dx
1 ≤ X ≤ 3 P(1 ≤ X ≤ 3) 288 0.2199
P = P( X =
1 = = 0.4398
X > 0 > 0) 6 0.5000
1
∫ (36 − x 2 ) dx
0 288
c. Suponga que por cada vuelo que llega retrasado, se multa a la aerolínea
con US$ 150, ¿cuál es la probabilidad de que en 5 vuelos que realice el
avión, la multa sea de US$ 300?
Solución
Se define los eventos:
Ai = {El vuelo i llega retrasado}
B = {La multa por retrasos es de US$ 300}
6 1
P( Ai ) = P ( x =
> 0) ∫ (36 − x 2=
) dx 0.5 P(=
Ai ) 0.5
0 288
Nos piden:
=P ( B) 10 P( Ai=
Ai Ai Ai Ai ) 10
=(0.5)2 (0.5)3 0. 3125
21. Los pesos de un artículo (kg) se consideran una variable aleatoria con fun-
ción de densidad:
3x 2
0< x< 2
20
x
=f ( x) 2 ≤ x<4
10
0 en otro caso
a. Construir la función de distribución de X
Solución
Basándonos en la definición de la función de distribución:
0 , x≤0
3
x , 0≤x<2
De donde: F( x)= P( X ≤ x) = 20
x + 1 , 2≤x<4
2
20 5
1 , x≥ 4
c. Hallar e interpretar: µ x , s x , CV ( X ).
Solución
2 3x 2 4 x
=E( X ) =
∫x dx + ∫ x dx 2.467
o 20 2 10
2 3x 2 4 x
=E( X 2 ) ∫=
x2 dx + ∫ x 2 dx 6.96
o 20 2 10
0.8729
V ( X ) = 6.96 − 2.467 2 = 0.8739 → C.V = × 100 = 37.89 %
2.467
Los pesos de los artículos presentan una alta variabilidad.
C 4X + 3 soles, hallar µC , sC .
d. Si el costo por artículo es =
Solución
µC =E( 4X + 3) = 4E( X ) + 3 = 4 × 2.467 + 3 = 12.904
V (C ) = V ( 4X + 3) = 42 V ( X ) = 16 × 0.8729; por la tanto: sC =3.7393.
e. Si la utilidad neta por artículo (en soles) es una función tal que:
−1, si 0 < x < 1
4, si 1 ≤ x ≤ 3
Y g=
= ( x)
−2, si 3 < x < 4
0, en otro caso
Halle e interprete los valores de µY y CV (Y ).
Por lo tanto:
1.65
µY =
5.1275
V (Y ) = 7.85 − 1.652 = 5.1275 → C.V = ×100 = 137.24 %
1.65
Nota. En este caso el valor del coeficiente de variación es superior al
100 %. Esto se debe a que los valores de la variable aleatoria Y son nega-
tivos y positivos.
0.25e
−0.25 x
x≥0
f ( x) =
0 otro caso
b. ¿Qué cantidad se debe tener en stock para cubrir la demanda con una
probabilidad de 0,9?
Solución
Hay que hallar un valor k tal que:
P( X ≤ k ) =
0.9; entonces:
k k
P( X ≤ k ) = 0.9 , ⇒ ∫ 0.25 e −0.25 x dx = − e −0.25 x = − e − 0.25 k + e − 0 = 0.9
o
0
ln(0.1)
K
⇒= = 9.21034. De donde
= k 9.21034
− 0.25
8. Una compañía de seguros ofrece a una persona de 50 años una póliza por
un año de US$ 150 000 por una prima anual de US$ 1500. Asuma que el
número de muertes en este grupo de edad es de 8 por cada 1000. ¿Cuál es
la ganancia esperada para la compañía de seguros con una póliza de estas
condiciones?
11. La gerencia de una compañía minera debe decidir si continuar una ope-
ración en cierto lugar. Si la continúa y tiene éxito ganará S/ 1 000 000 y si
fracasa perderá S/ 600 000; si abandona un lugar que les habría dado éxito,
esto supondrá una pérdida de S/ 400 000 (por razones competitivas); y si
no continúa en un lugar donde de todas maneras hubiese fracasado, esto
representa S/ 100 000 para la compañía (debido a que los fondos destinados
para la operación permanecen intactos). ¿Qué decisión maximizaría las uti-
12. El señor Arias quiere asegurar su casa por US$ 80 000. La compañía de se-
guros estima en 0.004 la probabilidad de que ocurra una pérdida total; en
0.02 la de que sufra una pérdida del 50 %, y en 0.08 que la pérdida sea del
25 %. Si la aseguradora no pagará indemnización por otras pérdidas parcia-
les; ¿qué prima debe pagar el señor Arias cada año si la empresa de segu-
ros quiere lograr una ganancia promedio de US$ 500 anuales en todas las
pólizas de ese tipo?
14. Un contratista estima las probabilidades del número de días necesarios pa-
ra concluir un proyecto como sigue:
X 27 28 29 30 31 32 Total
P(x) 0.05 0.15 0.25 0.40 0.10 0.05 1.0
15. Una caja contiene 4 caramelos de sabor fresa y 6 de sabor naranja. Se ex-
traen 3 caramelos sucesivamente con reemplazo. Si se gana US$ 5.0 por
cada caramelo de sabor fresa y US$ 3.0 por cada caramelo de sabor naranja
extraído ¿cuánto se debería pagar por el derecho de jugar para que el juego
sea equitativo?
16. Un anuncio luminoso consta de 100 bombillas iguales. Se sabe que la fun-
ción de probabilidad de la variable aleatoria X: número de bombillas que se
queman en un día es:
x
P( X
= x=
) x= 0 ,1 , 2 , . . . , 100
5050
18. Sondeos de mercado realizados por un fabricante para uno de sus produc-
tos indican que la demanda proyectada debe considerarse una variable
aleatoria X con valores entre 0 y 25 toneladas. La función de probabilidad
de X es.
3x 2
f=
( x) 0 ≤ x ≤ 25
253
a. Construir la función de distribución de X.
b. ¿Cuál es la probabilidad de tener una demanda entre 10 y 20 toneladas?
c. Hallar la demanda esperada y su variación relativa.
22. Cierto aparato registra el nivel de saturación de la red eléctrica en una co-
marca. El error relativo porcentual de la medida dada por el aparato es una
variable aleatoria continua X con función de distribución
0 , si x ≤ 0
F( x) = 1 − (1 − x)2 , si 0 < x < 1
1 , si x ≥ 1
Determinar:
a. La función de densidad de probabilidad de la variable X.
b. La probabilidad de que una medida tenga un error entre el 0.1 %
y el 0.2 %.
c. El error relativo esperado.
25. El peso de un artículo (en kg) tiene una distribución con función de densidad:
3x 2
, 1< x < 2
20
f ( x) = 13x
50 , 2 ≤x<3
0 , otro caso
28. En una empresa fabricante de artefactos, para cierto modelo, se tiene la si-
guiente función de probabilidad, para la cantidad de unidades fabricadas
en una semana (X).
29. Se hace un orificio en una lámina de metal y luego se inserta un eje. La di-
ferencia entre el radio del orificio y el radio del eje es una variable aleatoria
X (en mm) cuya función de probabilidad es f ( x)= k(1 − x 4 ) 0 < x ≤ 1
a. Hallar el valor de k y luego construir la función de distribución
acumulada.
b. Calcular que la diferencia este entre 0.3 y 0.6.
c. Hallar la diferencia promedio y la desviación estándar.
30. El tiempo (en minutos) que necesita un vendedor para atender a un cliente
es una variable aleatoria, T. Su función de distribución acumulada es:
F=
(t ) 0.01(t − 5)2 , para 5 < t < 15
32. La función de probabilidad del tiempo en horas para terminar una tarea es
=f (t ) 3t 2 / 117 , 2<t<5
x 1− x
p (1 − p) , x = 0 ,1
P( X
= x=
) Donde, 0 < p < 1
0 ,
otro caso
Figura 1. Gráfico de
la distribución de
Bernoulli.
0 1
Ejemplo 1
Se sabe que un software que procesa datos produce un error en el 0.1 % de los
procesamientos realizados. Se elige al azar un proceso de datos para compro-
bar si no existe error.
¿Cómo se distribuye la variable X?, ¿cuáles son la media y la varianza?
Solución
1 si el proceso no tiene error
X=
0 si el proceso tiene error
Dónde:
= E( X ) 0.999=
y V ( X ) 0=
.999(0.001) 0.000999
E(X) = np
V(X) = npq
Figura 2: Gráfico de la
distribución binomial
con n = 12 y p = 0.4.
El resultado que nos proporciona la salida del software es el siguiente:
Probability Density Function
Binomial with n = 10 and p = 0.1
x P(X = x)
5 0.0014880
b. Estén descansando menos de 4 operarios.
Solución
3 10
x 10 − x
P( X < 4)= P( X ≤ 3)= ∑ 0.1 (0.9) = 0.9872
x =0 x
El más probable es X = 1
Figura 5. Secuencia
de comandos.
Figura 6. Secuencia
de comandos.
Figura 7. Resultado de
la probabilidad en una
distribución binomial
con n = 4, p = 0.7.
Para el caso donde n = 6
6 6
x 6− x
P( X ≥ 3)
= ∑ = 0.7 (0.3) 0.9295
x
x =3
Figura 8. Gráfica de
la distribución hiper-
geométrica con
N = 20; M = 8; n = 6.
Ejemplo 4
Un distribuidor mayorista recibe diariamente un lote de 20 refrigeradoras, de
las cuales ocho son de color blanco y las restantes de color plata. Un comer-
ciante minorista le solicita, también diariamente, seis refrigeradoras. Supo-
niendo que las refrigeradoras son seleccionadas al azar.
a. ¿Cuál es la probabilidad de que, en un día cualquiera, el número de refri-
geradoras seleccionadas de color blanco sea mayor a tres?
Solución
N = 20 refrigeradoras
M = 8 refrigeradoras de color blanco
N – M = 12 refrigeradoras de color plata
n = 6 refrigeradoras seleccionadas como muestra
Ejemplo 5
En un almacén de aparatos electrónicos se almacenan 10 tostadoras para su
distribución, 4 de la marca A y el resto de marcas menos conocidas. Si un em-
pleado selecciona al azar 5 tostadoras para llevarlas por encargo a una tienda
para su comercialización, calcular la probabilidad de que en las 5 tostadoras
seleccionadas:
a. Haya exactamente 2 de la marca A.
Solución
N = Total de tostadoras = 10
M = Marca A = 4
Figura 9. Secuencia
para calcular la proba-
bilidad de una distribu-
ción hipergeométrica.
En el botón superior del cuadro, activar Shaded Area> X
value>seleccionar Left Tail y en la caja de X value colocar el número 1 y
dar OK de acuerdo a la siguiente gráfica:
El resultado de Minitab se presenta a continuación:
e −λ λ x
, x = 0 , 1, 2 , ...
P( X
= x=
) x!
0, en otro caso
b. Hallar la probabilidad de que entre las 4:00 p.m. y 4:30 p.m. se atienda a
más de 20 clientes.
Solución
W → Poisson (λ =25) por cada media hora.
∞ e −25 25w
P(W
= > 20) ∑ = 0.8145
w = 21 w!
Ejemplo 7
El promedio de ventas de televisores en las tiendas de Centro Plaza es de 6
cada dos horas. Si se supone que la venta de cada una de las tiendas es inde-
pendiente una de otra.
a. Si X representa el número de ventas cada 40 minutos, ¿cuál es la proba
bilidad de que en un intervalo de 40 minutos no se realice venta alguna?
Solución
Cada 2 horas (120 minutos) se venden en promedio 6 televisores, enton-
ces, cada 40 minutos se venderán en promedio 2 televisores.
X: Número de ventas de televisores cada 40 minutos.
X → Poisson (λ =2) cada 40 minutos.
e −2 20
P( X= 0=
) = 0.135335
0!
Haciendo uso del software Minitab se procede de la siguiente manera:
En el menú principal, abrir la opción Calc> Probability Distributions>
Poisson> OK> en la ventana Poisson distribution marcar Probability> en
Mean=2 y en Input Constant=0> OK como se detalla en la figura 16.
.
Se dice que una variable aleatoria X tiene una distribución uniforme si su fun-
ción de densidad de probabilidad está dada por:
1
, a< x<b;−∞<a<b<∞
f ( x) = b − a
0, otro caso
• No tiene moda.
• Se distribuye uniformemente en el intervalo donde está definida.
• Las probabilidades son iguales en todo el rango de la variable.
• También se le conoce como distribución rectangular.
0 , si x<a
x − a
=F ( x) , si a ≤ x ≤ b
b − a
1 , si x>b
a
b
Ejemplo 8
Un servicio de llamadas telefónicas se ha diseñado de forma tal que el tiem-
po mínimo de espera de quien llame sea de 20 segundos y el máximo de 50
(tiempo de respuesta). Si los tiempos de respuesta se distribuyen uniforme-
mente, encuentre la probabilidad de que, al llamar una persona, tenga un
tiempo de respuesta.
Ejemplo 9
Un corredor de inmuebles cobra honorarios fijos de 50 dólares más una co-
misión del 6 % sobre el beneficio obtenido por el propietario. Si este beneficio
es una variable aleatoria con distribución uniforme en el intervalo [0 , 12 000]
dólares.
k − 50
PX ≤ =0.9
0.06
k − 50
= 10800 , entonces, k = US$ 698
0.06
0 , x<a
2( x − a) , a≤x≤c
(b − a)(c − a)
f (X)
2(b − x) , c<x≤b
(b − a)(b − c )
0 , x≥b
Características
Tiene tres parámetros.
El valor mínimo (a)
El valor máximo (b)
El valor modal (c)
0 , x<a
( x − a) , a≤x≤c
(b − a)(c − a)
F( x)= P( X ≤ x)=
1 − (b − x) , c<x≤b
(b − a)(b − c )
1 , x>b
a+b+c
E( X ) =
3
a2 + b2 + c 2 − bc − ac − ab
V (X) =
18
X
0 a c b
Ejemplo 10
Considere que el precio de un kilo de carne sigue una distribución triangu-
lar, donde el precio mínimo es de 10 dólares, el precio máximo 40 dólares y
el precio más común es el de 20 dólares.
Determine la probabilidad de que el precio de un kilo de carne sea a lo
más de 25 dólares.
Solución
X: precio de un kilo de carne sigue una distribución triangular.
P( X < 25) =
0.625
Utilizando el software Minitab se procede de la siguiente manera:
Ejemplo 11
Un constructor afirma que el tiempo necesario para completar un proyecto
de construcción se puede representar mediante una variable aleatoria normal
con una media de 60 semanas y desviación estándar de 8 semanas.
a. Calcular la probabilidad de que el tiempo necesario para terminar un pro-
yecto de construcción supere las 70 semanas.
Solución
P( X > 70) =
0.1056
Haciendo uso del software Minitab se procede de la siguiente manera: en el
menú principal clicar la opción Graph> Normal> View Probability> OK en
Distribution elegir Normal> en Mean digitar 60 y en Standard Deviation
digitar 8> en la ventana Shaded Area> marcar X value> ventana X value>
seleccionar Right tail/ digitar en la ventana X value digitar 70> OK.
Solución
X: Tiempo que se demora la pizzería en entregar la pizza solicitada.
X → N(
= µ 12.3=
; s 1.7)
P( X > 15) =
0.05612
Haciendo uso del software Minitab se procede como en el ejercicio anterior
de la siguiente manera:
Ejemplo 13
Los paquetes grandes de café MÓNACO señalan en la etiqueta un contenido
neto que debería ser de 4 kg. En el departamento de empaque saben que el
contenido neto en peso es ligeramente variable y han estimado que la des-
viación estándar es de s =0.04 kg. Además, aseguran que sólo 2 % de los
paquetes contiene menos de 4 kg. Si se supone una distribución normal.
4−µ
Z0 = = −2.054; µ = 4.08
0.04
Por lo tanto: X → N
= (µ 4.08=
; s 0.04)
Para calcular el porcentaje de paquetes con un peso superior a 4.13 ha-
ciendo uso de la normal con los parámetros señalados.
P( X > 4.13)
Haciendo uso del software Minitab y siguiendo el procedimiento del
ejemplo 11 se obtiene lo siguiente:
0 ,x < 0
F ( x) = −( x / b )
1 − e
,x≥0
Donde e = 2.71828
Ejemplo 14
Suponga que un diseñador debe decidir entre dos procesos de manufactura
para la fabricación de cierto componente. Empleando el proceso A, cuesta
S/ 2.50 fabricar un componente. Empleando el proceso B, cuesta S/ 3.00 fabri-
car un componente. Los componentes tienen una distribución exponencial
de tiempo transcurrido hasta la falla con medias de 200 y 350 horas, respec-
tivamente, para los dos procesos. Debido a una cláusula de garantía, si un
componente dura menos de 400 horas, el fabricante debe pagar una pena de
S/ 1.20. ¿Cuál proceso debe adoptar el diseñador?
Solución
Si analizamos el problema vemos que el costo de producción del proceso A
es menor, pero, por otro lado, si analizamos el tiempo de duración vemos que
el tiempo de vida promedio del proceso B es mayor. Se tiene incertidumbre
en la decisión, y debemos usar un procedimiento estadístico que involucre
ambos factores, en este caso es el valor esperado
Wi: Tiempo transcurrido hasta que se presente la falla en el componente pro-
ducido con el proceso i.
i = A, B
Tabla de probabilidades:
Proceso P(Wi ≥ 400 h) P(Wi < 400 h)
A 0.1353 0.8647
B 0.3189 0.6811
Sea:
Xi: Costo por cada componente producido con el proceso i.
E(X A): 2.5(0.1353) + (2.5 + 1.2)(0.8647) = S/ 3.53764
E(XB): 3.0(0.3189) + (3.0 + 1.2)(0.68117) = S/ 3.81732
Se debe adoptar el proceso A, ya que presenta el menor costo esperado de
producción.
Ejemplo 15
El tiempo de vida de un determinado producto es una variable que tiene
una distribución exponencial, con una desviación estándar de 6 horas. Si el
tiempo de vida es mayor que 6 horas, la utilidad por producto es el 20 % de
su costo de fabricación C en soles; mientras que, si dura menos de 6 horas, se
pierde el 10 % de su costo C. ¿Para qué valor de C se tiene una utilidad espe-
rada mayor que 0? por producto?
Solución
X: tiempo de vida del producto.
X → Exponencial (b =6)
U: utilidad asociada por cada producto.
X → Exponencial (b =6)
Donde e = 2.71828
Solución
X: tiempo que transcurre entre la entrada y la salida de un cliente a un su-
permercado.
X → Gamma=
(a 4 y=b 0.5)
P(1 ≤ X ≤ 2) =
0.423
Haciendo uso del software Minitab el procedimiento se presenta
a continuación:
Ejemplo 17
El número promedio de robos que ocurre en una capital de un país es de 5
en 60 minutos. Suponiendo que el número de robos siga una distribución de
Poisson.
a. Determine la probabilidad de que en 1 hora ocurra exactamente 3 robos.
Solución
X: número de robos en 60 minutos.
X → Poisson (λ =5) cada 60 minutos.
e −5 × 53
P( X= 3=
) = 0.140374
5!
Sea una variable aleatoria X que se distribuye como una de Poisson, donde X
representa el número de eventos en un determinado intervalo de tiempo. Esta
variable aleatoria X se relaciona con la variable aleatoria Y, que representa el
tiempo entre un evento hasta la presencia del siguiente evento, esta variable Y
se distribuye como una exponencial. Se define la variable aleatoria W que repre-
senta el tiempo hasta que transcurra el k-ésimo evento, entonces W se distribuye
1
como una gamma con parámetro (a , b) donde a es entero y b = .
λ
Ejemplo 18
A un servidor web llegan en promedio 3 requerimientos cada 30 segundos.
Calcule lo siguiente:
a. Probabilidad de esperar más de un cuarto de hora para que lleguen 80
requerimientos.
b. Probabilidad de esperar menos de 10 minutos para que lleguen 50
requerimientos.
Solución
X: Número de requerimientos que llegan al servidor cada 30 segundos.
X → Poisson (λ =3) cada 30 segundos.
1 1 1 1 1
b= = de cada 30 segundos (1/2 minuto), es decir,
= b = minuto
λ 3 3 2 6
a. Y: tiempo de espera, en minutos, hasta que lleguen 80 requerimientos
Y → Gamma =
( a 80, =
b 1=
/ 6 0.16667)
P(Y > 15) =
0.1332
b. W: tiempo de espera, en minutos, hasta que lleguen 50 requerimientos
W → Gamma =
(a 50 , =
b 0.16667)
P(W < 10) = 0.9156
La distribución de Weibull fue establecida por el físico suizo del mismo nombre
quien demostró, con base a una evidencia empírica, que el esfuerzo al que se
someten los materiales se puede modelar apropiadamente mediante el empleo
1 1
2
V (X) =
b Γ 1 + − Γ 1 +
2
a a
Ejemplo 19
La duración X, en cientos de horas, de cierto tipo de tubo al vacío tiene una
distribución de Weibull con parámetros= a 2 y= b 3. Calcule:
a. El valor esperado y la desviación estándar de X.
b. El porcentaje de tubos con duraciones inferiores a 600 horas.
c. El porcentaje de tubos con duraciones entre 150 y 500 horas.
Solución
X: duración, en cientos de horas, del tubo al vacío.
X Weibull(a = 2, b = 3)
1
a. E( X ) == (0.886227) 2.658681
3Γ 1 + 3=
2
1 1 2
V ( X ) = 32 Γ 1 + − Γ 1 + = 9(0.886227 − 0.886227 2 ) = 0.907458
2 2
b. P( X < 6) =
0.981
NOTA: 600 horas se representa como 6 cientos de horas
Haciendo uso del software Minitab, el procedimiento se muestra a
continuación:
Solución
a. X: Tiempo de duración de material aislante → Weibull=
(a 2.5;=
b 200)
P ( X ≤ 200) = 0.6321
b. P ( X > k=
) 0.5; =
k 172.7
Características:
E( x) = v
V ( x) = 2v
Ejemplo 21
Considere a X como una variable aleatoria con distribución ji-cuadrado con
18 grados de libertad.
a. Determine la probabilidad de que X sea a lo más de 12.
b. ¿Cuál es el valor de k, si X sobrepasa a este valor con una probabilidad
de 0.95?
Ejemplo 22
Sea X una variable aleatoria con distribución Ji-cuadrado con 20 grados de
libertad.
a. Determine la probabilidad de que X sea por lo menos 15.35
b. Determine la esperanza y la varianza de X.
La distribución t de Student fue creada por William Sealy Gosset, más conocido
por su pseudónimo literario Student. Esta distribución de probabilidad es muy
importante cuando se desea realizar una inferencia para la media poblacional y
no se conoce la desviación estándar poblacional con la condición de que la dis-
tribución original es aproximadamente normal.
Se dice que una variable aleatoria continua sigue una distribución t con v
grados de libertad si su función de densidad es:
v +1
Γ
2
f ( x)
1
= v +1
, − ∞ < x < ∞; v > 0
Γ v vp 2 2
2 x
1 +
v
Características
Z → N (0,1); Y → χv2
E( X ) = 0
v
=V (X) , v>2
v−2
Ejemplo 23
Sea X → t(18) , determine las siguientes probabilidades:
a. P( X > 2)
b. P( x ≤ 2.5)
Solución
a. Haciendo uso del software Minitab se procede de la siguiente forma:
P ( x ≤ 2.5) = 0.9777
Se dice que una variable aleatoria continua sigue una distribución F con m y n
grados de libertad si su función de densidad es:
m+n m m−2
Γ
2 m 2 x 2
, si x > 0, m > 0, n > 0
f ( x) = Γ m Γ n n
m+n
m 2
2 2 1 + x
n
0 , si x ≤ 0
Características
n
E( X ) =
n−2
2n2 ( m + n − 2)
V (X) = con n > 4
m(n − 2)2 (n − 4)
Ejemplo 24
Sea X una distribución F con 16 y 20 grados de libertad, calcular las siguien-
tes probabilidades:
a. P(X< 2.4)
b. P(1.2< X <2.2)
Solución
a. Haciendo uso del software Minitab se procede de la siguiente manera:
Figura 44.
Secuencia del
comando F.
P( X < 2.4) =
0.9670
0.9991 − 0.6638 =
0.3353
4. Ciertas piezas deben estar pintadas y para que estén aptas para la venta
deben tener la pintura en buenas condiciones. El 4 % de dichas piezas tiene
poca pintura y el 5 % tienen en exceso. El 99 % de las que tienen exceso no
están aptas para la venta, lo mismo ocurre con el 90 % de las que tienen
poca pintura.
Calcular:
a. La probabilidad de que una pieza esté apta para la venta.
b. Si de una producción de 200 piezas se eligen, al azar y sin reposición, 12,
¿cuál es la probabilidad de que a lo más una de ellas esté mal pintada?
Solución
P: poca pintura, E: exceso de pintura, N: pintura normal
A: pieza apta para la venta
A A Total
a. P(A) = 0.9145
4 6 114
∑
y = 0 y 20 − y
P(Y ≤ 4)
= = 0.9996
120
20
80 100
2 3
P( X= 2=
) = 0.3432
180
5
7. A una garita de peaje, en promedio, llegan 240 autos por hora. El adminis-
trador de la garita ordena atender inicialmente solamente una caseta, pero
si en el lapso de 2 minutos llegan por lo menos 10 autos, entonces ordena
atender en una caseta más hasta que se produzca el descongestionamiento.
¿Cuál es la probabilidad de que el administrador tenga que ordenar atender
en otra caseta?
Solución
X = Número de autos que llegan a la garita de peaje en 2 minutos.
X ~ P ( λ =8 ) cada 2 minutos
e -8 8x
P[X= x= ]
x!
P[X ≥ 10] =−
1 P[X < 10] =−
1 P[X ≤ 9] =−
1 0.716624 =0.283376
2 e −0.6 × 0.6 y
=
P (Y ≤ 2) ∑ = 0.9769
y =0 y!
12. Se cree que el tiempo X (en minutos) para que un profesor universitario
prepare una práctica dirigida para el curso de Estadística, tiene una distri-
bución uniforme. En promedio se demora una hora, y como mínimo em-
plea 55 minutos para la preparación de la práctica.
a. ¿Cuál es la probabilidad de que el tiempo de preparación exceda a 58
minutos?
b. Determine el tiempo máximo de preparación, tal que sólo el 10 % de las
prácticas excedan este tiempo máximo.
Solución
a. ¿Cuál es la probabilidad de que el tiempo de preparación exceda a 58
minutos?
55 + b
E( X=
) = 60; =
b 65
2
X → U(55; 65)
P( X > 58) =
0.7
13. Sea X una variable aleatoria con distribución triangular, su valor mínimo
es 1, el valor máximo es 6 y el valor modal es 3.
a. Determine la función de densidad.
b. Determine la función de distribución acumulada.
14. Los sueldos de los trabajadores de una determinada fabrica sigue una dis-
tribución triangular con mínimo de 800 soles, el sueldo máximo es de 2200
y la gran mayoría tiene sueldos de 1000 soles. Determine la probabilidad
que, al elegir un trabajador, el sueldo sea menor a 1300 soles.
Solución
Haciendo uso del software Minitab, el procedimiento se presenta a continuación:
15. Una máquina que despacha café está programada de forma que descarga
una media de 250 cm3 por vaso. Si la cantidad de líquido despachada está
distribuida normalmente y se sabe que en el 4.78 % de los vasos la cantidad
de líquido descargada es inferior a 225 cm3
a. Halle la desviación estándar y luego calcule el mínimo de líquido despa-
chado en el 15 % de los vasos más llenos.
b. Si se utilizan 12 vasos de 270 cm3 cada uno, ¿cuál es la probabilidad de
que se derrame líquido en exactamente dos de ellos?
Solución
X: Contenido de café → N(
= µ 250; s)
P( X < 225) =
0.0478
a. Halle la desviación estándar y luego calcule el mínimo de líquido despa-
chado en el 15 % de los vasos más llenos.
16. Los sueldos de los empleados de una empresa se consideran una variable
aleatoria X que sigue una distribución normal con media igual a 2400 soles.
El 97.72 % de empleados tiene sueldos inferiores a 3360 soles. De acuerdo
con los sueldos hay tres categorías: alta, intermedia y baja. Se sabe que los
porcentajes de empleados en las categorías alta y baja son iguales y que el
82 % del personal pertenece a la categoría intermedia.
a. Hallar el sueldo mínimo y el sueldo máximo de los empleados de la ca-
tegoría intermedia
b. ¿Qué porcentaje de empleados tienen sueldos que se diferencian del pro-
medio en a lo más 250 soles?
Solución
a. Hallar el sueldo mínimo y el sueldo máximo de los empleados de la ca-
tegoría intermedia.
X: sueldos del personal (soles) X → N=
(µ =
2400 ; s ?)
P( X < 3360) =0.9772 Empleando la distribución normal estándar
se tiene que:
3360 − 2400
=2.00 = ⇒ s 480
s
Los porcentajes de empleados en las categorías alta y baja son iguales
y deben de sumar 18 %, ya que complementan al 82 % del personal per-
tenece a la categoría intermedia. Como son porcentajes iguales, entonces
cada categoría corresponde al 9 %.
Se hallan los límites de sueldos en la categoría intermedia como sigue:
Límite inferior: P( X < x1 ) = 0.09 , de donde resulta que: x1 = 1756.44
Límite superior: P( X < x2 ) = 0.91 , de donde resulta que: x2 = 3043.56
17. Una máquina produce rodamientos con un diámetro que es una variable
normal de media 3.00 pulgadas y desviación estándar 0.01 pulgadas. Los
rodamientos con diámetros mayores que 3.02 pulgadas o menores que 2.98
pulgadas no satisfacen las especificaciones de calidad.
19. Un sistema de producción opera con tres máquinas (A, B, C) que funcionan
de manera independiente. El tiempo que tarda en fallar cada una de ellas
es una variable aleatoria X con distribución exponencial con una media de
100 horas.
a. ¿La mediana del tiempo de funcionamiento de la máquina A es superior
a su promedio?
b. ¿Cuál es la probabilidad de que falle al menos una de las tres máquinas
en las primeras 120 horas de operación?
Solución
a. ¿La mediana del tiempo de funcionamiento de la máquina A es superior
a su promedio?
Sea X: tiempo para la falla (horas) X → Exp(b = 100)
E( X ) = 100
20. El tiempo que transcurre antes que una persona sea atendida en una ven-
tanilla de un banco es una variable aleatoria que tiene una distribución
exponencial con media de 5 minutos. ¿cuál es la probabilidad de que una
persona sea atendida a lo más en dos minutos?
Solución
P( X ≤ 2) =
0.3297
V ( X=
) 100 × 2=
2
s 20; V (Y=
400 ⇒ = ) 400 × 2=
2
1600 ⇒ =
s 40
Me( X ) = P( X ≤ x0 ) = 0.5 ⇒ Me( X ) =199.334
Me(Y ) = P(Y ≤ y0 ) = 0.5 ⇒ Me(Y ) = 799.333
22. El tiempo semanal X (en horas) durante el cual cierta máquina industrial no
funciona tiene una distribución gamma con a =3 y b =2.
a. Si una máquina no ha estado funcionando más de 5 horas, hallar
la probabilidad de que su tiempo de no funcionamiento sea de a lo
más 9 horas.
Solución
Si una máquina no ha estado funcionando más de 5 horas, hallar
la probabilidad de que su tiempo de no funcionamiento sea de a lo más
9 horas.
24. Suponga que la vida útil de cierto producto es una variable aleatoria que
tiene distribución de Weibull con
= y b 4 (cientos de horas):
a 0.6 =
a. La vida media útil de ese artículo.
Solución
La vida media útil de ese producto:
1
E( X ) = b Γ 1 + = 4Γ( 2.67) = 4 × 1.50851 = 6.03
a
0.4455 + 0.355 =
0.8.
K= 25.0
χ(220;8) =
Y
b. Calcular: P < 0.8
X
Y Y /8 12Y 12
P < 0.8= P < 0.8 = P < (0.8) = P F(8 ;12) < 1.2 = 0.626
X X / 12 8 X 8
0.07536 + 0.8715 =
0.94686
P( X + Y > C ) =0.94686
El valor de c = 35
5. Problemas propuestos
Bachiller (B) 60 20 80
Si el jefe del área decide elegir al azar cinco personas del total de trabaja-
dores para encargarles una tarea dada la complejidad de esta, y define la
variable aleatoria X “número de trabajadores titulados en la muestra”, ¿cuál
es la probabilidad de que por lo menos 3 sean titulados?
14. Uno de los procesos de las lunas de los lentes de medida es el pulido. Una
óptica indica que, si encontrara más de 3 defectos por cm2, los considera
defectuosos y rechazará la entrega. Además, se sabe que el promedio del
número defectos es de un defecto por cm2. Hallar la probabilidad de que un
lente de 3 cm2 que ha sido revisado no se catalogue como defectuoso.
15. La tasa de muertes por accidente de tránsito es de 3.6 por cada 10 000 per-
sonas. Suponga que la distribución de muertes sigue una distribución de
Poisson.
a. Determine la probabilidad de que ocurran dos accidentes en 12 000
personas.
b. Determine la probabilidad de que ocurran a lo más 3 accidentes en una
población de 10 000 personas.
16. Una institución financiera está realizando una investigación acerca del nú-
mero de cheques sin fondos. Se sabe que diariamente se presentan 5 che-
ques sin fondos.
19. Una empresa tiene 2 tiendas en diferentes zonas de Lima. En la tienda 1, las
ventas diarias siguen una distribución uniforme siendo el monto mínimo
300 soles y el máximo 900 soles; en la tienda 2, las ventas se distribuyen en
forma normal de valor medio 620 soles y en el 97.72 % de los días las ventas
no superan los 980 soles.
a. En la tienda 1, hallar el monto mínimo observado en el 25 % de los días
considerados los de mayor venta.
b. En la tienda 2, ¿cuál es la probabilidad de que el monto de la venta de un
día se diferencie del promedio en a lo más 80 soles?
c. ¿En cuál de las dos tiendas las ventas diarias presentan mayor homo
geneidad?
21. Suponga que la cantidad de líquido que expenden las máquinas de café en
vasitos sigue una distribución uniforme en el intervalo de [125, b ].
23. Una empresa cuenta con una máquina y se define como X la variable alea-
toria consistente en el número de horas que la máquina esta parada debido
a una avería. X sigue una distribución triangular, y por experiencias se
sabe que el mínimo es de 1 hora, el máximo es de 4 horas y en la mayoría de
casos es de hora y media:
a. Determine la función de densidad.
b. Determine la función de probabilidad acumulada.
24. Se sabe que la duración de los proyectos en una empresa sigue una distri-
bución triangular con una duración optimista de 24 horas, una duración
pesimista de 120 horas y una habitual de 32 horas.
a. Determine la probabilidad de que un nuevo proyecto dure por lo menos
35 horas.
b. Calcule la esperanza de finalizar de un proyecto.
27. En una tienda comercial las ventas diarias de dispositivos externos para
computadores tienen una distribución normal con una media de 190 miles
de soles y una desviación estándar de 20 miles de soles.
Si se eligen al azar 10 días, halle la probabilidad que en exactamente
cinco de ellos se registre una venta que sea inferior a 210 mil soles.
28. Los puntajes obtenidos por los empleadores de una empresa en una prueba
de aptitudes tienen una distribución normal con media de 75 y desviación
estándar de 10, respectivamente. Se desea hacer una modificación de modo
que los nuevos puntajes (Y ) se expresan mediante Y= A + BX. Hallar A y
B de modo que, con la modificación, la media y desviación estándar sean 80
y 8, respectivamente.
29. Los pesos de bolsas de detergente producidos por una fábrica se distribu-
yen en forma normal con media de 500 gramos y solo el 15.87 % de bolsas
tienen pesos superiores a 525 gramos.
a. Si se desechan un 4 % de bolsas (las de menor peso), ¿cuál es el peso
mínimo de una bolsa no desechable?
b. Una bolsa de detergente se considera aceptada si su peso se diferencia
de la media en a lo más 30 gramos. Si un paquete de 6 bolsas contiene
por lo menos 4 bolsas aceptables, se vende con una utilidad de 30 soles;
si no contiene bolsas aceptables, entonces se pierde 8 soles y en otros
casos la utilidad es de 25 soles. Calcule la utilidad esperada por paquete.
31. El tiempo que necesita una persona que está en ventanilla de un banco para
atender a un cliente tiene una distribución exponencial con promedio de 50
segundos.
32. En una institución financiera, el tiempo de espera de sus clientes para ser
atendido sigue una distribución exponencial y que en promedio es de 12
minutos. Calcular la probabilidad de que el tiempo de espera sea:
a. A lo más 8 minutos.
b. Entre 6 y 9 minutos.
34. Se sabe que el número de vehículos que entran en una autopista es regis-
trado por un contador electrónico y sigue una distribución de Poisson de
promedio de 10 vehículos cada 5 minutos.
a. ¿Cuál es la probabilidad de que en una hora entren a la autopista entre
100 y 120 vehículos, ambos inclusive?
b. ¿Cuál es la probabilidad de que transcurran más de 25 segundos entre 2
llegadas sucesivas de vehículos a la autopista?
c. En una autopista hay una garita de peaje y cada vehículo debe pagar 4
soles. Un empleado de la garita empezó su turno a las 9 am ¿a qué hora
(cómo máximo) habrá recolectado 200 soles con probabilidad de 0.99?
41. El tiempo (en horas) que una máquina trabaja sin fallas es una variable
a 2 y=
aleatoria con distribución de Weibull de parámetros= b 400.
a. ¿Cuál es el tiempo máximo de trabajo sin fallas de la máquina observado
con una probabilidad de 0.975?
b. ¿Cuál es la probabilidad de que el tiempo de trabajo sin fallas de la má-
quina supere a su valor medio?
42. Un componente electrónico tiene un tiempo de vida (en horas) que se puede
representar con una distribución de Weibull con a =1. Además, se conoce
que el 10 % de los componentes producidos tiene una duración superior a
230.26 horas. ¿Cuál es la duración mínima del 5 % de componentes conside-
rados los de mayor duración?
X − 25
c. P 8 ≤ 1.90
Y / 20
d. Los valores de a y b tal que:
e. a y b son limites centrados
Miscelánea de problemas
44. En una computadora con arquitectura en paralelo, los mensajes que llegan
a un nodo son almacenados en un buffer antes de ser transmitidos por red,
hasta que se dispone de un paquete de cinco. Supongamos que los mensajes
llegan al nodo de acuerdo con un proceso de Poisson de media 25 mensajes
por segundo.
a. Hallar la probabilidad de que en 0.5 segundos lleguen menos de 12
mensajes.
b. Calcular la probabilidad de formar un paquete en menos de 0.1 segundos.
c. ¿En cuántos segundos como máximo se formará un paquete con una
probabilidad de 0.96?
d. Calcular el tiempo medio para formar un paquete.
45. En un banco entran 90 clientes por hora, se supone que el número de clien-
tes que llega al banco sigue una distribución de Poisson.
a. ¿Cuál es la probabilidad de que en un intervalo de dos minutos lleguen
al banco por lo menos 2 clientes?
b. Hallar la probabilidad de que en diez minutos determinado lleguen me-
nos de 18 clientes.
c. ¿Cuántos minutos transcurrirán como máximo para observar la llegada
de 25 clientes con una probabilidad de 0.90?
46. Se ha encontrado que los préstamos para vivienda otorgados por un Banco
a través de sus diferentes sucursales el año pasado tienen una distribución
aproximadamente normal con media 43 000 dólares y sólo un 2.28 % son
superiores a 60 000 dólares. Si las condiciones de préstamo continúan para
el siguiente año:
Hallar:
a. K, si P [ U > k ] =
0.9, donde U= X + Y
b. P[(W > 1.372) (Z < 0.6745)]
Y / 10
c. P(0.3515 < < k) =
0.80
X / 15
51. La cantidad de horas semanales que los operadores de una empresa infor-
mática dedican a cargar ciertos datos se distribuye normalmente con media
4 y la probabilidad de que necesiten a lo más 4.75 horas es de 0.9332.
a. Hallar la desviación estándar y calcular la probabilidad de que la canti-
dad de horas semanales dedicadas a cargar dichos datos esté compren-
dida entre 3 y 4.5 horas.
b. ¿Cuál es la cantidad de horas semanales mínima que dedican el 30 % de
los operadores que más horas semanales dedican a cargar datos?
c. Si se observan los tiempos de 6 operadores elegidos al azar, ¿cuál es la
probabilidad de que a lo más uno de ellos haya empleado menos de 3.5
horas en esta tarea?
53. En base a los registros obtenidos por los atletas pertenecientes a la federa-
ción de atletismo de un país A, se ha establecido que los tiempos que em-
plean para los 100 metros planos siguen una distribución normal con una
media de 12.0 segundos y una desviación estándar de 1.5 segundos.
a. Hallar la probabilidad de que un atleta emplee un tiempo que se dife-
rencie de la media en no más de 0.5 segundos.
b. Si se establece como criterio que, para clasificar al campeonato interna-
cional, el atleta debe realizar la prueba 4 veces y en por lo menos 3 de
ellas debe registrar como máximo un tiempo de 11.5 segundos, calcule
la probabilidad que un atleta cualquiera lo logre.
55. Beta Gas es una empresa repartidora a domicilio de gas propano, que recibe
los pedidos por teléfono. En este marco responda las siguientes preguntas:
a. En un lote de 36 balones recibidos de la empresa distribuidora, 4 de ellos
tienen un defecto no apreciable a simple vista en la válvula de salida,
pero que se evidencia al cabo de un periodo corto de funcionamiento. De
éste lote se han entregado 10 balones elegidos al azar. La política de Beta
Gas establece el inmediato cambio de balón por otro bueno, esta última
operación le cuesta 6 soles. Calcular la probabilidad de que, tras la entre-
ga de los 10 balones, la empresa tenga que gastar por lo menos 12 soles.
20Y
a.3) P 0.355 < < 2.666
16X
a.4) b tal que: P [ 0.245 < Z 2 < b ] =
0.4254
61. Los clientes de un banco que deben recibir un tratamiento especial llegan
de acuerdo con un proceso de Poisson con un promedio de un cliente cada
20 minutos.
a. ¿Cuál es la probabilidad de que en un período de media hora lleguen
más de 2 clientes que deben recibir un tratamiento especial en el banco?
b. A todo cliente que debe recibir un tratamiento especial se le entrega
un premio; pero al empezar la jornada de trabajo el administrador se
da cuenta que solo dispone de cinco de estos premios. En las primeras
dos horas de atención, ¿esperaría el administrador agotar los premios?;
¿por qué?
62. En cada uno de los siguientes enunciados no realice cálculos, solo indique
la variable aleatoria, la distribución pertinente y los valores de los paráme-
tros que corresponden.
a. Una compañía de seguros atiende, en promedio, a un asegurado que ha
sufrido un accidente automovilístico cada 30 minutos. Se desea conocer
la probabilidad de que se atiendan una cierta cantidad de asegurados
con accidentes automovilísticos en 2 horas.
b. Un embarque de 100 artículos contiene 5 unidades defectuosas. Para
inspección, se elegirá al azar y sin reemplazo 10 unidades. Si se encuen-
tra una cierta cantidad de unidades defectuosas, se rechazará todo el
embarque. Se desea conocer la probabilidad de rechazar el embarque.
64. Los pedidos por delivery llegan a cierto supermercado (que atiende las 24
horas del día) según un proceso de Poisson.
a. Si la probabilidad de que en una hora llegue por lo menos un pedido es
0.9817, ¿cuántos pedidos se espera que lleguen en 2 horas?
b. Si en promedio llegan 4 pedidos por hora, halle la probabilidad de que
el primer pedido demore en llegar más de 10 pero menos de 25 minutos.
Debe definir una variable e identificar su modelo.
1. 72 placas
2. a. 180 b. 105 c. 105
3. a. 40320 b. 9216 c. 576
4. a. 55 b. 165
5. 103 488
6. a. 9009 b. 8151
7. a.
125 b.
60 c.
60 d.
6
8. 0.5185
9. a. 50 % b. 0.4286 c. No
10. 0.9755
11. 0.00061035
12. a. 0.8 b. No
13. a. 0.40 b. 0.55 c. 0.40
14. a. 0.48 b. 0.41667 c. 0.19231
15. a. 0.34 b. 0.33
16. a. 0.06 b. 0.94
17.
= P( A) 1=
/ 3, P( B) 1=
/ 2, P(C ) 1 / 2
18. a. 0.1352 b. el método 2 (0.852)
19. a. 0.967 b. 0.2927 c. 0.98
20. a. 0.63375 b. fallas eléctricas (0.5461)
21. a. 0.7333 b. 0.5539
x 0 1 2 3 4 5 Total
P(X = x) 6/15504 210/15 504 1820/15 504 5460/15 504 6006/15 504 2002/15 504 1
P( X= 3=
a. ) 0.729
P( X= 0=
b. ) 0.001
P( X ≥ 2) =
c. 0.972
8. Definamos la variable X = ganancia de la compañía por una póliza
Entonces, la distribución de probabilidad de la variable X es:
x p(x) x × p(x)
–148 500 0.008 –1 188
1 500 0.992 1 488
Total 1 300
9. Definamos la variable X = ganancia al invertir 10 000 soles
Entonces, la distribución de probabilidad de la variable X es:
x p(x) x × p(x)
–10 000 0.15 –1 500
–5 000 0.35 –1 750
10 000 0.40 4 000
20 000 0.10 2 000
Total 1 2 750
La segunda estrategia.
1, x≥5
E( X ) = 18.75; E( X 2 ) = 375
c.
= E( X ) 18=
.75, V ( X ) 375
= – 18.752 23.4375
= CV ( X ) 25.8198 %.
0 , x ≤ −1
3
x +1
19. a.
= F( x) , − 1 < x < 2 b.
P( x < 0)= F(0)= 0.111
9
1 , x≥2
E( X ) 0=
c.
= .25; E( X 2 ) 0.4
E( X ) =0.25, V ( X ) =0.4 − 0.252 =0.3375 CV ( X ) =232.379 %.
20. a. k = 1 P ( x < 6=
) 0.6= 0.77459 b. P ( X ≤ 7 X > 3) =0.6388
2 10
E( X ) 3=
c.
= .3333; E( X 2 ) 20
E(X) = 3.333 V(X) = 20 – 3.3332 = 8.8911 CV(X) = 89.463 %.
d.
P( x > µ
= ) p( x > 3.333
=) 0.42294 ⇒ 42.294 %
1 b
21. a. ∫ ( a + bx 2 ) dx = 1; ⇒ a + =1 (1)
0 3
1 3 a b 3
∫ x( a + bx ) dx = ⇒ + = ( 2)
2
0 5 2 4 5
23. a. P ( x ≤=
a) 0.75; ⇒=a 3.1744
b. 0.5 P(solo una) = 5 × 0.55 = 0.15625
P ( x ≤ 0) =
0 , x ≤1
x3 − 1
25. A. F( x) = , 1 < x < 2 B. P x < 2
20 x > . = 0.30667
1 5
13x 2 17
− , 2 ≤x<3
100 100
1 , x≥ 3
0 , x≤0
26. a. F( x) = − x /10
b. P(6 ≤ x ≤ 18) =0.383513
1 − e , x>0
c. P( x > 5)= e –0.5= 0.6065; por lo tanto se espera que: 100 × 0.6065 =
61
tengan una duración superior a 5 años.
27. Definamos:
k = Número de horas para que vuelva a revisar el telar
La variable aleatoria es C = costo que se incurre porque se llega antes de que
el telar se pare o después de haberse parado; entonces se tiene:
9( k − x) , x≤k
C( x) =
3( x − k ) , x>k
Donde X es el tiempo de funcionamiento del telar y tiene por función de
densidad de probabilidad:
1
, 90 ≤ x ≤ 120
f ( x) = 30
0 , otro caso
E(C ) = 0.2k 2 − 39k + 1935
k = 97.5
28. E(Y) = 1190 CV(Y) = 27.92 %
0 , t≤ 2
1 3
32. a. =
F (t ) (t −8) , 2<t≤5
117
1 , t≥ 5
1. 0.9999
2. 0.2642
3. 0.09375
4. a. 0.001128 b. 0.5443 c. 4770 soles
5. a) X → b(n = 20; p = 0.2) b. 0.5981 c. 18 000 soles d. 0.4114
6. 0.684321
7. a. 0.2669 b. 0.415982 c. 2.93
8. a. 0.4143 b. 0.585714
9. a. 0.257143 b. 0.5789 c. 0.6842
10. a. 0.5571 b. 0.6945
11. a. 0.36217 b. 0.5194
12. a. 0.0902235 b. 0.8009
Anderson, D. R., Sweeney, D. J., Williams, Thomas A., Camm, Jeffrey D., y Co-
chran, James J. (2016). Estadística para negocios y economía. México: México
D. F.: Cengage Learning.
Carrascal, A. U. (2011). Estadística descriptiva con Microsoft Excel 2010. México:
México D.F: Alfaomega.
Chue J., Barreno E., Castillo C., Millones R., y Vásquez F. (2012). Estadística des
criptiva y probabilidades. Perú, Lima: Fondo editorial Universidad de Lima.
Córdova, M. (2005). Estadística descriptiva e inferencial. Perú, Lima: Moshera.
García, O. C. (2011). Estadística descriptiva y probabilidades para ingenieros. Lima,
Perú, Lima: Empresa Editora Macro E.I.R.L.
Levine, D. M., Krehbiel, T. C., y Berenson, M. L. (2006). Estadística para administra
ción. México, México D. F.: Pearson Educación.
Lind, D. A., Mason, R. D., Marchal, W. G., y Hano, R. M. C. (2004). Estadística para
administración y economía. México, México D. F.: Alfaomega.
Mendenhall, W., Beaver, R. J., Beaver, B. M., y Velázquez, A. J. A. (2015). Introduc
ción a la probabilidad y estadística. México, México D. F.: Cengage Learning.
Mitacc, M. (2011). Tópicos de estadística descriptiva y probabilidad. Perú, Lima: Thales.
Montgomery, D. C., y Runger, G. C. (2004). Probabilidad y estadística aplicadas a la
ingeniería. México, México D. F.: Limusa-Wiley.
Romero, M. S. J., y Ordóñez, C. X. G. (2014). Estadística descriptiva e inferencial.
España, Madrid: CEF.
Spiegel, M. R., Schiller, J. J., Srinivasan, R. A., y Vargas, E. M. A. (2013). Probabili
dad y estadística. México, México D.F.: McGraw-Hill/Interamericana.
Webster, A. L. (2005). Estadística aplicada a los negocios y a la economía. México D.
F.: McGraw-Hill.
Bibliografía 311
Anexos
Anexo 1
Resumen de fórmulas de estadística descriptiva
n k
Media ∑ xi ∑ yi fi
i =1 i =1
aritmética X= Y=
n n
X n +1 , n impar
( 2 ) n
− FMe − 1
Me = Me LI Me + c 2
=
Mediana X n + X n+ 2 f Me
( 2) (
2
)
2
d1
Mo LI Mo + c
=
Moda Valor de la variable más frecuente. d1 + d2
d1
= d2
f Mo − f Mo − 1 = f Mo − f Mo + 1
kn
− FP − 1
+ c 100
k
Pk LI P
=
Percentiles k
fP
k
n k k
∑ Xi − n x ∑ yi fi − n Y ∑ fi ( yi − Y )
2 2 2 2 2
Desviación i =1 =i 1=i 1
SX = =SY =
estándar n −1 n −1 n −1
Coeficiente de S S
C.V ( X ) = X (100) C.V (Y ) = Y (100)
variación X Y
3 ( X − Me ) X − Mo
Coeficiente de asimetría de
= Pearson: C.A = C. A
S S
n n! n!
C kn =
= Pkn =
k
k !( n − k )! (n − k )!
Anexos 315
Anexo 2
Resumen de fórmulas de probabilidad
P( E ∪ F ) =P( E) + P( F ) si E ∩ F =Φ P( E ') =−
1 P( E)
P( E ∪=
F ) P( E) + P( F ) − P( E ∩ F ) si E ∩ F ≠ Φ
P( E ∩ F )
Probabilidad condicional
= P( E / F ) P( F ) ≠ 0
P( F )
k
Probabilidad total P( A) = ∑ P( Ei ) P( A / Ei )
i =1
P( Ei ) P( A / Ei )
Probabilidad de Bayes P( Ei / A) = k
∑ P( Ei ) P( A / Ei )
i =1
x
Función de distribución (V. A. continua) F( x) = P( X ≤ x) = ∫ f ( x) dx
−∞
∞
Valor esperado E( X ) = µ = ∑ x p( x) E( X ) =µ = ∫ x f ( x) dx
−∞
∞
E( X 2 ) = ∑ x 2 p( x) E( X 2 ) = ∫ x 2 f ( x) dx
−∞
n n− x
P( X ) px q
= x=
x
Binomial np npq
x = 0, 1, 2, . . . , n q=1–p
M N − M
P( X
= x=
) x n− x M M M N − n
Hipergeométrica n n 1 −
N N N N N −1
n
e −λ λ x
P( X= x=)
Poisson x! λ λ
x = 0, 1, 2, . . . λ > 0
1 a+b (b − a)2
Uniforme f ( x)
= a ≤ x ≤b
b−a 2 12
1 x - µ
2 E( X ) =
µ V (X) =
s2
−
Normal 1
f ( x) = e 2 s x−µ
2ps2 −∞ < x < ∞ Z=
s
1 −( x / b )
Exponencial =f ( x) e x>0 b b2
b
a −1 −x
1 b
Gamma f ( x) = x e ab ab2
ba Γ(a)
x
− a 1 2 1
2
a
Weibull f ( x) = x a −1
e b bΓ 1 + b 2 Γ 1 + − Γ 1 +
ba a a a
Anexos 317
Distribución Función de probabilidad E(X) V(X)
1 v −1 − x
x 2 e 2 , si x > 0, v > o
v/ 2 v
Ji-cuadrado f ( x) = 2 Γ v 2v
2
0 , si x ≤ 0
v +1
Γ
2
f ( x)
1
= , − ∞ < x < ∞; v > 0 v
T de Student Γ v vp
v +1 0 , v>2
x 2 2 v−2
2 1 +
v
m+n m
m−2
Γ 2 2n2 ( m + n − 2)
2 m x 2
, si x > 0, m > 0, n > 0
n m(n − 2)2 (n − 4)
f ( x) = Γ m Γ n n
m+n
F (Fisher) m 2
2 2 1 + x n−2
n con n > 4
0 , si x ≤ 0